摘要
针对周期性任务中 LLM 的随机性失败与高昂 Token 成本问题，本文提出 LOOP 技能引擎。该系统采用“单次记录、确定性回放”范式：首次运行利用 LLM 推理并拦截记录完整工具调用轨迹，随后通过贪婪算法将其转化为参数化、无分支的确定性循环技能。后续执行完全绕过 LLM，直接解析变量并重放工具序列。实验表明，该方法在保持高成功率的同时，显著降低了 Token 消耗与延迟，消除了输出非确定性，并提供了多层降级策略以确保任务稳定性。
AI 推荐理由
论文核心提出 LOOP Skill Engine，专注于将 LLM 工具调用轨迹转化为确定性技能执行计划。
研究机构
Artificial Intelligence Research Center, Bengbu Medical University, Bengbu 233000, China.
CHARMMIRAE L Biotech Co., Ltd, Nanjing 210000, China.
论文信息