SoK: Agentic Skills -- Beyond Tool Use in LLM Agents
系统梳理智能体技能模块（agentic skills）的完整生命周期，并从封装方式、表示形态、执行范围、评测框架和治理风险等维度给出统一视角。
博士研究生 · UTS CybeR Lab · 可信 AI
李德龙
我主要研究机器遗忘、智能体安全与隐私保护推理，关注 AI 系统在更新、约束与部署过程中如何做到可审计、可治理与可验证。
研究方向与技术重点
我关注 AI 系统如何在真实世界的隐私、安全与治理约束下被更新、被遗忘、被审计，并最终安全部署。
我目前在悉尼科技大学攻读博士学位，是 UTS CybeR Lab 成员。研究聚焦机器遗忘、LLM 安全、联邦与边缘推理、评测方法以及智能体治理，目标是构建能够被验证、被审计并可负责任运行的 AI 系统。
代表性论文
近期工作主要围绕智能体系统、可审计的大模型更新、隐私保护的边云推理与机器遗忘。
AuditableLLM: A Hash-Chain-Backed, Compliance-Aware Auditable Framework for Large Language Models
提出面向大模型适配与遗忘的轻量级审计框架，以哈希链记录更新过程，支持第三方核验与合规追踪。
Semantic Neighbor Swapping for Privacy-Aware Edge-Cloud Inference
提出一种后处理嵌入替换方法，在固定通信开销下缓解边云协同推理中的身份泄露，同时尽量保持任务性能。
A Survey of LoRA-based Machine Unlearning for LLMs: Methods, Taxonomy, and Evaluation
综述基于 LoRA 的 LLM 机器遗忘方法，从统一的适配器空间分类框架与评测视角梳理现有工作。
联系我
欢迎就机器遗忘、LLM 安全、隐私保护推理和可审计 AI 系统交流或合作。