En ny forskningsartikel fra arXiv introducerer SkillTrace, et framework designet til at spore genbrug af færdigheder (skills) i LLM-agent-økosystemer. Færdigheder er pakker, der kombinerer metadata, naturligt sprog, kode, værktøjer og arbejdsgange, og de bliver i stigende grad handlet som markedspladsartikler. SkillTrace adresserer et problem, som traditionel klon-detektion ikke løser: at genbrug af kun én del af en færdighed kan gå ubemærket hen.
Frameworket udtrækker tre spor fra en færdighed: udtryk (Expression), implementering (Implementation) og operationel struktur (Operational). Det operationelle spor repræsenteres som en graf, der fanger aktivering, procedure og ressource-flow. Ved revision sammenligner SkillTrace cachelagrede spor deterministisk og kalibrerer mod strenge negative kontroller, hvilket gør det muligt at afgøre, hvilket spor der understøtter en genbrugsbeslutning.
På SKILLTRACE-BENCH, med 820 transformerede genbrugs-positiver og 751 negative kontroller, opnår SkillTrace en AUROC på 0,938 og F1 på 0,898. En audit af 36.446 færdigheder viser desuden, at spor-baseret dokumentation kan skabe handlingsrettede gennemgangskøer ud over baseline-metoder.
For beslutningstagere betyder dette, at platforme og købere af AI-agent-færdigheder nu kan få et værktøj til at identificere uautoriseret genbrug eller licensbrud. Det kan styrke due diligence-processer og beskytte intellektuel ejendom i et marked, hvor færdigheder bliver handelsvarer. Teknisk set er det en forbedring i forhold til eksisterende detektorer, men den strategiske værdi ligger i at kunne håndhæve rettigheder og skabe tillid på markedspladser.
