Naukowcy zaproponowali metodę przydzielania precyzyjnych uprawnień dostępu dla subagentów w systemach wieloagentowych, wykorzystując wiedzy zawartą w Agent Skills. Zamiast polegać wyłącznie na wynikach zadań, system analizuje procedury opisujące dokładnie, jakie operacje, narzędzia i pliki są potrzebne na każdym etapie wykonania.
Metoda syntetyzuje zadania i instrukcje krok po kroku z Agent Skills, wykonuje je poprzez delegację subagentów w interaktywnych środowiskach, a następnie buduje dane treningowe na podstawie weryfikowanych trajektorii wykonania. Na benchmarku ClawArena-Team osiągnięto wzrost precyzji uprawnień do narzędzi o 13,4 punktu procentowego i uprawnień dostępu do workspace o 24,1 punktu, jednocześnie zwiększając ogólny sukces zadań o 11,6 punktu dla modelu Qwen3.5-35B-A3B. Wyniki na Terminal-Bench 2.1 i SkillsBench pokazują konkurencyjność podejścia wobec istniejących metod syntezy danych agentów.
Znaczenie tego badania polega na rozwiązaniu kluczowego problemu bezpieczeństwa w systemach wieloagentowych. Wraz ze wzrostem złożoności zadań i liczby delegowanych operacji między agentami, konieczne jest precyzyjne kontrolowanie, jakie zasoby i narzędzia ma dostęp każdy subagent. Proceduralna wiedza zawarta w Agent Skills okazuje się naturalnym i skutecznym źródłem supervizji do nauczenia modeli poprawnego przydzielania uprawnień bez dodatkowego ręcznego adnotowania.