GraSP：LLM 代理的图结构技能组合

LLM 代理的技能生态系统已经迅速成熟，但最近的基准测试表明，为代理提供更多技能并不能单调提高性能 - 集中的 2-3 种技能优于全面的文档，而过多的技能实际上会带来伤害。瓶颈已经从技能可用性转向技能编排：代理不需要更多技能，而是需要一种结构机制来选择、组合和执行具有明确因果依赖性的技能。我们提出了 GraSP，这是第一个可执行的技能图架构，它在技能检索和执行之间引入了编译层。 GraSP 将平面技能集转换为具有前置条件效应边的类型化有向无环图 (DAG)，通过节点级验证执行它们，并通过五个类型化运算符执行局部限制修复 - 将重新规划从 O(N) 减少到 O(d^h)。在具有 8 个 LLM 主干的 ALFWorld、ScienceWorld、WebShop 和 InterCode 中，GraSP 在每种配置中都优于 ReAct、Reflexion、ExpeL 和平坦技能基线，将奖励比最强基线提高了 19 点，同时将环境步骤减少了 41%。 GraSP 的优势随着任务的复杂性而增长，并且对于技能过度检索和质量下降都具有鲁棒性，这证实了结构化编排（而不是更大的技能库）是可靠的代理执行的关键。