SkillDAG：面向大规模LLM技能选择的自演化带类型技能图

由于 LLM 代理采用大型技能库，选择正确的子集成为一个结构性问题，而不是相似性匹配问题：技能相互依赖、冲突、专门化或重复，这是一种对于完全枚举和嵌入相似性都是不可见的结构。我们提出了 SkillDAG，它将技能间关系建模为类型化有向图，并将其作为推理时间、代理可调用的结构检索接口暴露给 LLM 代理，在执行过程中进行查询和演化，而不是烘焙到固定的检索管道中：每个搜索返回向量匹配、类型化边缘邻居和冲突信号，并且提议然后提交协议允许代理注册执行支持的边缘，以便图跨情节累积结构。在采用 MiniMax-M2.7 的 ALFWorld 和 SkillsBench 上，SkillDAG 达到了 67.1% 的成功率和 27.3% 的奖励，比报告的最强技能图表基线 +12.8 和 +8.6 点；优势移植到 gpt-5.2-codex，并且在匹配查询下内在 SkillsBench Ret@K 从 65.5 上升到 78.2。这些收益可以追溯到可分离的机制：当池增长 10 倍时，候选排名保持稳健，而固定的种子扩散管道会退化；设置单调在线编辑可以扩大真实召回率，而不会驱逐先前的命中。