但现实往往正好相反：当Skill库从几十个膨胀到几千、提图几万个时，出G持Agent最先失去的把海，往往不是量S连成推理能力，而是用支“找对Skill”的能力。
Agent可能知道自己要做什么，提图却拿不到那套真正能把任务跑通的出G持完整组合。 把所有Skill全塞进Prompt，把海Token会迅速爆炸，量S连成关键信息会被淹没；只靠向量检索，用支又常常只能找回几个“看起来相关”的提图高层Skill，真正决定任务能否执行的出G持解析器、预处理器和依赖项反而会被漏掉。把海
UPenn联合马里兰、量S连成布朗大学等团队提出的用支Graph of Skills，正是为了解决这个问题。 它的关键不只是让Agent “会组合Skill”，而是先把海量Skill库组织成一张技能图，再让Agent从中找出一套规模足够小、依赖足够全、可以直接执行的Skill组合。
换句话说，GoS解决的不是“Agent会不会调Skill”，而是一个更现实、也更关键的问题：
当Skill库足够大时，Agent怎么才能一次找对那一套真正能跑通任务的Skill。
项目地址：
在Graph of Skill出现之前，业界处理海量技能库主要依赖两种传统策略。研究者在论文中详细指出了它们的致命缺陷。
论文将Vanilla Skills、Vector Skills与Graph of Skills并列对照，直观展示了“上下文过载”和“先决条件鸿沟”这两个核心问题，以及GoS如何通过结构化检索补齐依赖链。
这是一种最直接的处理方式。
工作机制：将整个技能库的说明文本全部提取出来，直接硬塞进大语言模型的上下文窗口中。
规模诅咒：在工具数量极少时，这种方法可行。但当库规模扩大后，Token成本会呈线性爆炸式增长。
注意力稀释：将数千个工具放入上下文中，会导致模型严重的信息过载。模型极易产生幻觉，并忽略掉隐藏在长文本中的关键领域约束条件。
为了解决上下文过长的问题，业界引入了基于稠密向量（Dense Retrieval）的检索方案。
工作机制：利用嵌入模型（Embedding Model），检索出与您输入的任务查询在“语义上最相似”的前K个技能。
致命缺陷（先决条件鸿沟）：语义上的极度相似，完全不等于执行上的完备性。
工程现实脱节：在绝大多数工程任务中，与用户查询语义最匹配的，往往是顶层的高级求解器。但是，要让这个求解器成功运行，还需要底层的解析器、格式转换器、环境设置工具或领域特定的预处理器。
检索断链：这些底层依赖项在功能上不可或缺，但在文本语义上与用户的初始查询关联极弱。向量检索往往会遗漏这些底层工具，导致最终检索出的技能组合根本无法执行。
为了打破上述困境，研究者提出了一种全新的推理时结构化检索层——Graph of Skills (GoS)。
GoS的核心思想彻底改变了对“技能”的定义：拒绝将Skill视为孤立的文本片段，而是将它们重构为一个有向的、包含依赖关系的执行图谱。 系统目标是在严格的上下文预算内，检索出一个具备依赖感知（Dependency-aware）的、完整的可执行技能包（Skill Bundle）。整个流程分为“离线图谱构建”和“在线结构化检索”两个主要阶段。
这张总览图把GoS拆成三部分：左侧是离线索引与图谱构建，中间是带类型的技能关系图，右侧是在线检索、反向扩散、重排序与预算约束下的技能实例化。
在您实际输入问题之前，GoS需要在离线状态下，将本地的杂乱技能包转化为一个结构化的带类型有向图。
1.技能节点归一化（Skill Normalization）
确定性解析：系统首先会确定性地解析技能包。通过读取YAML前置元数据和Markdown文档，提取出规范名称、功能摘要、输入输出（I/O）字段、领域标签、使用工具、脚本入口以及稳定的本地源码路径。
受限的LLM补全：当某些技能的文档极其残缺时，系统会调用轻量级的大语言模型进行辅助。
严格边界：研究者对LLM的使用施加了极严的限制。LLM仅被允许用于补全节点内部的语义字段（如能力描述、缺失的I/O），绝对不允许它凭空捏造图谱中的连边关系。这种“受限语义补全”保证了节点的质量，同时杜绝了幻觉连边。
2.推导带类型的边（Typed Relation Induction）
GoS并非只有一种连接方式，它构建了四种不同类型的边：
依赖边（Dependency edges）：这是图谱的绝对核心。系统通过严格的输入输出（I/O）兼容性检查来确定有向边。如果技能A产生的输出，刚好是技能B要求的输入，系统就会在两者间建立依赖边。这代表了不可逾越的执行先决条件。
工作流边（Workflow）：捕获常见的多步流水线执行顺序。
语义边（Semantic）：连接极其相似或主题相邻的备用技能。
替代边（Alternative）：连接用于解决同一个子问题的不同实现方案。
稀疏验证机制：为了防止计算量失控，对于后三种非依赖边，系统不会进行全局的两两对比。而是先通过词法和语义相似度框定一个小范围的候选池，随后在候选池内进行关系验证，确保图谱保持稀疏且精准。
当您向您的Agent下达任务指令时，GoS需要在给定的Token预算 T 内，返回一个既相关又具备执行完备性的技能集合 。这个过程分为三步：
纯语义检索（向量）擅长寻找高层次技能，而词法检索（关键词匹配，如BM25）对具体的文件名和实体很敏感。GoS将任务映射为一个包含目标、操作、构件的查询模式（Query Schema）。然后将语义分数 和词法分数 进行融合打分：
其中 控制两者的平衡。归一化后，这些得分最高的节点就成为了图谱扩散的“种子”（Seeds）。
这是GoS最惊艳的数学与算法设计。为了从匹配到的高层技能“顺藤摸瓜”找到其所需的底层依赖（如预处理器、解析器），GoS必须允许相关性在图中反向传播。 GoS构建了一个统一的转移算子：
这里 是关系的权重，而 控制了允许反向遍历的强度（对于“依赖边”，反向权重最高，达到1.0）。 接着，使用个性化PageRank (Personalized PageRank, PPR) 进行扩散迭代：
在这个公式中， 是重启参数。通过这种方式，即使一个底层的设置工具与用户的初始查询毫无语义关联，只要它是一个关键的依赖节点，相关性分数也会通过图谱反向流动到它身上。
扩散结束后，GoS会将图谱的全局结构分数与节点的局部查询匹配度结合进行重排序：
最后，系统会根据上下文的硬性预算，按照排名高低对技能进行“实例化”（Hydration），也就是将技能转化为智能体可以直接阅读和使用的载体（包括稳定的本地源码路径、能力摘要和执行注意事项），确保输出不仅紧凑而且立即可执行。
为了验证上述架构的实际效能，研究者在极具挑战性的基准测试上进行了全面评估。
SkillsBench基准：包含1000个真实的复杂技术任务，横跨宏观经济去趋势化、电网可行性分析、3D扫描分析、地震相位拾取等11个专业领域。
ALFWorld基准：一个交互式的具身模拟器测试环境。智能体需要通过文本指令，在虚拟家庭环境中完成导航、寻找物体和物理交互等多步家务活动（共140个完整序列）。
模型阵容：实验横跨了三个不同家族的大型语言模型，包括Claude Sonnet 4.5、MiniMax M2.7以及GPT-5.2 Codex。
实验数据展现了高度一致的结论。
研究者在SkillsBench与ALFWorld两个基准上，按奖励、Token和运行时对比Vanilla、Vector与GoS三种方法。GoS在六个模型-任务组合中都拿到最高平均奖励，同时维持明显更紧凑的上下文成本。
全面超越全局加载（Vanilla）：在所有的测试区块中，GoS取得了最高的平均任务奖励（即成功率）。与简单粗暴的全局加载相比，GoS在平均奖励提升43.6% 的同时，将模型摄入的输入Token数量大幅减少了37.8%。
碾压向量检索（Vector）：在维持极低Token消耗的前提下，GoS的任务成功率远超向量检索。在SkillsBench测试中，GoS比向量基线高出10.97分；在ALFWorld测试中，高出2.87分。
效率与表现的最佳平衡：全局加载虽然找得到技能，但成本失控且容易导致模型迷失；向量检索虽然省钱，但找出的技能组合残缺不全无法执行。GoS成为了在Token效率、运行时间和任务成功率之间的最佳平衡点。
具体模型数据：在ALFWorld测试中，使用Claude Sonnet 4.5，Vanilla的成功率为89.3%，消耗了1,524,401个Token；Vector向量检索成功率为93.6%，消耗28,407 Tokens；而 GoS达到了97.9% 的惊人成功率，仅消耗27,215 Tokens。
研究者并未止步于表面数据，他们进一步解剖了GoS架构，以验证各个组件的真实价值。
研究者测试了技能库从200个飙升至500、1000、2000个时的系统表现（基于GPT-5.2 Codex）。
这是论文对200、500、1000、2000个技能规模给出的原始结果表。它和下方趋势图相互印证，显示GoS从中等规模开始持续保持更高奖励，而检索式方案都显著压住了Token膨胀。
Token成本失控：当库规模从500扩展到2000时，全局加载基线（Vanilla）的输入Token消耗从193万激增到584万（接近3倍）。
GoS的超强抗压性：在相同的扩张规模下，GoS的Token消耗死死稳定在114万到138万之间。论文在200到2000个技能规模上比较三种方法。结果显示，随着技能库变大，GoS依然保持更强的奖励表现，同时显著抑制了输入Token的增长速度。
规模越大，优势越显：在200个技能的小型库中，全局加载还能勉强维持微弱优势。但只要技能库规模达到中等（500及以上），GoS的任务成功率便全面且持续地超越其他两种基线。
研究者在拥有1000个技能的库中，逐步拆除了GoS的核心组件，观察系统衰退情况：
移除图谱传播机制：系统退化为无法沿着结构关系寻找先决条件的单纯检索器。结果显示，Token消耗虽然降低了，但平均任务奖励从34.4暴跌至29.3（下降5.1分）。
进一步移除词法重排与检索：强制系统仅依赖单一的语义检索器进行初步筛选。任务奖励进一步崩塌至26.7（下降7.7分）。
数据结论：混合语义与词法检索提供了高质量的“初始切入点”，而图谱传播机制则负责将这些切入点转化为“逻辑完备的执行链条”。两者缺一不可。
组件消融实验显示，只去掉图传播，奖励就从34.4降到29.3；再去掉词法检索与重排，进一步降到26.7，说明高质量种子和结构扩散在GoS中是互补关系。
为了让系统表现更直观，研究者提取了多个真实的智能体执行轨迹（Trajectories）进行解剖。
附录把10个qualitative cases中真正进入执行链条的技能包并排列出，并区分Useful与Noisy。这个总表能直接看出GoS往往给出更紧凑、更接近可执行分解的组合Skill。
行人交通计数（视觉流水线任务）
任务需求：提取视频帧、进行行人计数、格式化输出。
向量检索表现：抓取了零散的上下文，智能体无法将其组装成工作流，任务失败（得分0.041）。
全局加载表现：经过漫长的搜索找到了相关工具，但过程充满噪音，获得部分分数（得分0.267）。
GoS表现：开局直接抛出一个紧凑的视觉流水线组合（包含视频帧提取、模型计数、视觉处理工具），智能体直接执行完美通关（得分0.417）。这是 pedestrian-traffic-counting 的原文分析截图。研究者把GoS、Vanilla与Vector三种条件下的技能暴露方式并列对照，强调GoS的优势在于更早给出紧凑可执行的视觉流水线。
网络入侵检测（深度分析任务）
任务需求：需要极度专业的PCAP数据包分析工具。
案例对比：向量检索彻底迷失，抓取了一堆不相关的自动化脚本。GoS凭借图谱关系，精准打包了核心的 pcap-analysis 工具及其配套的分流助手。只要关键分析包没有被遗漏，后续任务便迎刃而解。
这是 dapt-intrusion-detection 案例的截图。论文把它作为典型的GoS正向案例，用来说明一旦检索链里出现 pcap-analysis 及相邻助手，任务性质就会从“从零摸索”转成“按现成工具复用”。
反思案例：地震相位关联（超长依赖任务）
真实局限：在这个任务中，全局加载基线虽然笨重，但依靠蛮力拼凑出了一个包含5个工具的地震处理栈，成功过关。而GoS检索出的依赖关系链缺了一环，混入了一个无关技能，导致任务彻底失败。
案例启示：这诚实地暴露了架构的边界。结构化检索能够发挥作用的前提，是图谱恢复的局部邻域必须足够完整。如果图谱本身的覆盖面存在断层，检索出的技能包依然无法执行。
earthquake-phase-association 是论文专门保留的反例。研究者借此说明结构化检索不是自动成功，若恢复出的局部邻域仍然缺关键依赖，GoS依然可能输给信息更全但更嘈杂的全量加载。
尽管在处理海量技能库方面展现出极强的统治力，研究者依然客观地指出了GoS当前的局限性：
深度绑定离线图谱质量：如果初始技能库的代码文档极其混乱，I/O模式完全不清晰，或者缺失执行元数据，离线阶段建立的边质量就会大幅下降，这将直接摧毁后续的所有检索流程。
图谱结构的静态滞后：目前的图谱系统主要依靠离线构建，是静态的。系统尚未具备“吃一堑长一智”的能力，无法根据智能体在线执行的成功轨迹、验证器的报错记录或用户的直接反馈，去实时动态更新图中的连边权重。
研究者表示，未来的探索方向将集中于实现在线边权重的自适应更新、基于成功执行轨迹的图谱进化、对候选技能包进行更强力的重排序，以及在多模态和更具交互性的智能体环境中进行广泛测试。
Graph of Skills (GoS) 为我们揭示了一个关键事实：面对庞大的工具生态，单独考察工具的文本语义是远远不够的。技能之间天然存在着复杂的依赖、工作流和先后逻辑。
通过将零散的技能转化为可被算法遍历的有向图谱，结合混合检索与逆向扩散机制，GoS在保证极低算力成本（Token消耗）的同时，向大模型提供了一套开箱即用的执行逻辑闭环。这为突破下一代超大规模智能体系统的检索瓶颈，提供了一套极具工程价值和理论深度的解决方案。
未来已来，有缘一起同行！