CaSKG：面向可扩展智能体技能检索的反事实-因果技能图

可复用技能库使大语言模型（LLM）智能体能够跨任务复用程序性知识，但也将记忆访问变成了一个有挑战性的检索问题。全库提示以高上下文成本换取覆盖面；向量检索返回紧凑的邻域但把技能当作独立文本；基于图的检索只有在承载关联性的边可靠时才能恢复工作流上下文。我们提出CaSKG，一个在检索前校准程序性关系的反事实-因果技能图框架。CaSKG先从语义、词汇、输入/输出和结构证据构建高召回的有向候选图，再用修复证据与可选的LLM裁判进一步精化候选分数。随后施加方向条件下的文本反事实探针，对技能对进行删除、替换与重排，用贝叶斯平滑聚合证据，并发布经状态过滤的加权图用于任务条件下的扩展。该图离线构建，使用时不改变下游智能体策略或任务接口。在ALFWorld ID-140与ScienceWorld U211上跨六个LLM骨干，CaSKG在全部十二个模型-基准组合中均取得最高任务得分。相对于Graph-of-Skills（GoS），它将六模型宏观平均ScienceWorld得分从72.62提升至80.50，ALFWorld成功率从80.01%提升至86.79%，同时在两个基准上都减少了平均环境步数。定性与消融分析进一步表明，经校准的边有助于检索保留前置条件、改变状态的动作、验证例程和最终完成步骤。这些结果将边置信度校准定位为通向紧凑且可执行的大规模技能检索的有效途径（代码见：https://github.com/ZhiyuanLi218/Caskg）。