从Agent Skills学习子智能体最小权限授权

摘要：这项研究把 Agent Skills 中描述的操作、工具和文件步骤转化为子智能体授权监督信号，通过合成任务、交互执行与轨迹验证，训练模型为每个委派子任务分配细粒度权限。使用 Qwen3.5-35B-A3B 时，工具权限精度提升13.4个百分点，工作区权限精度提升24.1个百分点，整体任务成功率提升11.6个百分点。方法把多智能体编排中的授权问题从静态权限配置转为可学习的决策问题，但跨环境泛化、权限误放行风险及额外轨迹生成成本仍需验证。

---

授权不再只是静态规则，而是智能体编排的一部分

多智能体系统通常能在委派任务时限制工具或执行环境，却难以判断某个子任务究竟需要访问哪些工具、文件和工作区资源。过度授权扩大攻击面，授权不足又会阻断执行；只依据任务成功或最终轨迹监督，也难以识别“结果正确但权限过宽”的轨迹。

这项研究的关键观察是：Agent Skills 已包含步骤级程序知识，例如某一步需要调用哪类工具、读取或修改哪些文件。研究据此合成任务和细粒度步骤，在交互环境中通过子智能体委派实际执行，再利用经过验证的轨迹同时训练任务执行能力与授权判断能力。

从程序知识构造授权监督

数据生成链路可以概括为：

1. 从 Skills 中提取操作、工具和文件依赖；
2. 合成分解后的任务及逐步程序；
3. 在交互环境中委派给子智能体执行；
4. 依据环境验证筛出可信轨迹；
5. 将工具集合与工作区资源集合整理为授权标签；
6. 训练模型预测下一步操作及其所需权限。

与传统仅根据最终成功构造监督的方法相比，程序步骤提供了“哪个资源在哪一步被需要”的细粒度依据。模型因而不仅学习完成分解任务，还要学习在特定子任务下选择最小必要权限。

不过，这套机制成立依赖两个前提：Skills 中的程序描述必须准确，环境验证器也必须能识别越权访问或错误资源操作。若验证器只看最终答案，已执行但未被观察到的权限扩张仍可能进入训练数据。

权限精度与任务成功率同步改善

在 ClawArena-Team 上，基于 Qwen3.5-35B-A3B 的实验报告：

• 工具权限精度提高 13.4 个百分点；
• 工作区权限精度提高 24.1 个百分点；
• 整体任务成功率提高 11.6 个百分点。

在 Terminal-Bench 2.1 和 SkillsBench 上，该方法与现有智能体数据合成方案保持竞争力。这说明程序知识不仅可作为任务提示，也可成为授权标签的来源。

但摘要没有披露“授权精度”的完整定义，例如是否同时惩罚漏授权和过度授权、不同资源集合如何匹配，以及精确率提升是否伴随召回率下降。缺少这些细节时，无法判断增益究竟来自更好的权限分配，还是来自更保守地缩小授权集合。生产系统更需要同时报告：

• 必要工具误拒率；
• 非必要工具误放行率；
• 越权读写发生率；
• 权限集规模与令牌、上下文成本；
• 任务成功率和安全违规率的帕累托关系。

工程权衡：安全边界与任务能力并不等价

精确授权的第一项成本是轨迹生成。为了获得可靠的权限监督，系统必须合成任务、运行子智能体、验证每一步并保留资源访问记录。这比只收集最终答案昂贵，也比普通轨迹过滤更容易放大环境模拟器偏差。

第二项成本是上下文增长。子智能体启动时需要携带步骤说明、允许工具和允许访问路径。随着委派层级加深，权限元数据会重复占用上下文，并可能与系统提示、工具 schema 及运行状态竞争注意力。高并发编排还会放大授权检查和沙箱隔离成本。

第三项是安全与可用性的张力。过度收紧权限会降低成功率，过度放宽则可能让恶意指令借子智能体扩大影响范围。若模型错误地为子任务加入高权限工具，静态 allowlist 本身无法保证安全。实际部署仍应由确定性策略执行授权：模型只能提出权限集合，沙箱必须按资源、路径、操作类型和任务范围强制执行，并对写入、网络访问与密钥读取施加更严格规则。

开发者落地建议

对智能体框架作者而言，可将 Agent Skills 扩展为带资源依赖声明的版本化清单，例如为每个步骤标注所需命令、目录、文件和网络端点，再由授权模型生成候选集合。对于高风险操作，应使用交集而非模型预测值直接放行，并记录“申请权限—实际使用权限—环境验证结果”的完整审计链。

模型训练可分两阶段进行：先学习步骤执行与资源依赖，再通过验证轨迹强化最小权限决策。评测时则应加入权限膨胀、间接越权和冲突子任务，避免基准只奖励最终成功率。

这套方法最值得关注的并非单一分数，而是把 Skills 从静态说明文档升级为可生成授权监督的训练资产。若能在不同沙箱、不同工具集合及恶意委派请求下稳定工作，它有望成为多智能体系统中连接任务能力与最小权限治理的一条实用路径。

---

消息来源：ArXiv NLP/LLM (cs.CL) (2026-11-09)

—— 完 ——

主题标签： #Agent Skills 关注 #子智能体 关注 #最小权限 关注 #智能体编排 关注 #轨迹监督 关注