La prépublication SkillBrowser, déposée le 16 octobre par Jin Ye, Yifan Jiang et Lan-zhe Guo, s’intéresse à la quantité d’instructions exposées à un agent. Afficher seulement les métadonnées d’un catalogue croissant réduit le volume par compétence, mais pas nécessairement la pollution de contexte. Une recherche faite une seule fois au départ peut, à l’inverse, manquer un besoin découvert plus tard.
Le cadre confie à une méta-compétence l’identification du besoin courant, la formulation d’une requête ciblée et le chargement d’instructions à la demande. Les auteurs rapportent une meilleure précision agrégée sur six sous-ensembles de SRA-Bench et cinq modèles, face à la recherche statique et à la sélection par modèle. Cela concerne leur environnement expérimental, pas une mise à jour automatique de tous les agents dotés de skills.
Le papier conserve deux limites pratiques : certaines compétences utiles ne sont pas appelées et la procédure ajoute de la latence. Réduire le catalogue visible n’est donc pas une fin en soi ; il faut vérifier que l’agent trouve la bonne procédure et que le coût de sélection reste acceptable. Le résultat éclaire le choix d’un harness, sans démontrer qu’une architecture unique domine toutes les tâches ni que les instructions chargées sont sûres.