技能图谱：大规模智能体技能的依赖感知结构检索
人工智能
2026-05-28 v3
摘要
现代大语言模型（LLM）智能体日益依赖可复用的技能，随之而来的技能库规模可达数千个。规模化扩展带来两个关键挑战：其一，加载完整技能集合会饱和上下文窗口，导致 token 成本上升、幻觉问题加剧以及延迟增加；其二，语义检索虽能呈现主题相关技能，却忽略上下游技能的先决条件链条，造成先决条件缺口，使检索到的技能组合执行不完整。本文提出技能图谱（Graph-of-Skills, GoS），作为大规模技能库的推理时结构检索层。GoS 在技能包离线构建可执行技能图谱，推理时通过混合语义-词典种子、逆向感知的个人化 PageRank 以及上下文预算的水合，检索出受限且依赖感知的技能组合。在 SkillsBench 与 ALFWorld 上的实验表明，GoS 在三个模型家族（Claude Sonnet 4.5、MiniMax M2.7、GPT-5.2 Codex）上均实现了显著的奖励提升与 token 节省。 在 SkillsBench 上，使用 GPT-5.2 Codex 时，GoS 相较于 vanilla 全技能加载基线，实现了峰值奖励提升 25.55%，总 token 减少 56.72%。消融实验确认了该模式在 200 至 2000 个技能库上均成立。
关键词
引用
@article{arxiv.2604.05333,
title = {Graph-of-Skills: Dependency-Aware Structural Retrieval for Massive Agent Skills},
author = {Dawei Liu and Zongxia Li and Hongyang Du and Xiyang Wu and Shihang Gui and Yongbei Kuang and Lichao Sun},
journal= {arXiv preprint arXiv:2604.05333},
year = {2026}
}
备注
11 pages of main text, 12 pages of appendix. Core contribution by Dawei Liu and Zongxia Li. Project page: https://github.com/davidliuk/graph-of-skills