GraphSkillEvo：图结构代理技能的进化优化

技能可以通过提供特定于任务的程序指导来提高大型语言模型（LLM）代理的性能，而技能优化则通过迭代细化进一步提高其有效性。然而，现有的技能优化方法通常将技能表示为非结构化自然语言指令，从而带来了两个关键挑战：1）非结构化技能通常缺乏明确的工作流程级别指导，并且包含大量冗余，使得大语言模型难以执行； 2）不受约束的自然语言技能的巨大搜索空间使得技能优化无效。为了应对这些挑战，我们建议将技能表示为图结构的自然语言工件。在图结构技能中，每个节点代表一个执行步骤及其操作指导，而有向边则对步骤之间依赖于上下文的转换进行编码。与非结构化技能相比，图结构技能可以提供清晰的工作流程级指导。此外，所提出的图结构技能还可以促进技能优化。在此结构化表示的基础上，我们引入了 GraphSkillEvo，这是一种基于群体的进化优化框架，具有用于图结构技能的突变和交叉算子。通过维护多种候选技能并结合有效组件，GraphSkillEvo 比纯粹基于 LLM 的迭代自我完善能够更广泛、更全面地探索结构化技能空间。跨五个代理基准的广泛实验表明，GraphSkillEvo 始终优于强大的技能优化基线 SkillOpt，在 GPT-5.4-nano 上平均准确率提高了 4.01%，在 GPT-5.4 上提高了 1.76%。我们的代码可以在这个 https URL 上找到。