SE-GoS：大规模技能库的自我进化技能图

现代大语言模型智能体越来越依赖可重用的技能，但随着技能库扩展到数千个条目，有效的检索成为瓶颈。技能图 (GoS) 通过利用依赖性感知图结构进行可扩展的技能检索来解决这一挑战，而 SkillDAG 进一步证明技能图可以在线累积执行支持的结构。然而，这些方法是否可以将历史执行跟踪系统地提炼成更好的检索图以泛化到未见过的任务，这仍然是一个悬而未决的问题。我们提出了自我演化技能图（SE-GoS），这是一种免训练框架，可以从执行跟踪演化出现有的 GoS 图，同时保留原始检索管道。 SE-GoS 执行三个互补的更新：从执行证据中发现和修剪技能关系的拓扑演化、基于历史有效性强化检索相关关系的边权重演化以及使用执行反馈优化面向检索的技能描述的描述演化。在 SkillsBench 上的三个大语言模型中，SE-GoS 持续提高任务奖励，同时减少相对于完整技能负载的输入Token，不同模型系列的收益有所不同。在代表性设置中，一轮进化将奖励从 52.4\% 提高到 59.4\%，同时相对于完整技能加载减少了大约三分之一的输入Token，并且生成的图转移到不相交的保留分割，比静态 GoS 基线提高了 5.4 点。这些结果表明，无需模型训练、无需更改检索算法或修改技能内容，即可从执行体验中改进技能图，从而将静态检索图转变为不断发展的检索基础设施。