Graph-of-Skills：面向海量智能体技能的依赖感知结构化检索

技能使用已成为现代智能体系统的核心组成部分，可以大幅提高智能体完成复杂任务的能力。在现实环境中，代理必须监控大量个人应用程序、Web 浏览器和其他环境界面并与之交互，技能库可以扩展到数千个可重用技能。扩展到更大的技能集会带来两个关键挑战。首先，加载完整的技能集会使上下文窗口饱和，从而增加token成本、幻觉和延迟。在本文中，我们提出了技能图（GoS），这是一个用于大型技能库的推理时间结构检索层。 GoS 从技能包中离线构建可执行技能图，然后在推理时通过混合语义词汇播种、反向加权个性化 PageRank 和上下文预算水合作用检索有界的、依赖性感知的技能包。在 SkillsBench 和 ALFWorld 上，GoS 比普通完整技能加载基准提高了 43.6% 的平均奖励，同时减少了 37.8% 的输入token，并推广到三个模型系列：Claude Sonnet、GPT-5.2 Codex 和 MiniMax。针对 200 到 2,000 种技能的技能库的额外消融研究进一步表明，GoS 在平衡奖励、token效率和运行时方面始终优于普通技能加载和简单向量检索。