收录解读
这篇论文处理的是 agent skill 生态扩张后的检索瓶颈：当本地 skill library 从几十个增长到数百、数千个时，把所有 skill 塞进上下文会造成 token 成本、幻觉和延迟，而普通向量检索又容易只找语义相似项，漏掉真正执行所需的解析器、前置转换器、认证步骤或底层工具 skill。
Graph of Skills 的新意在于把 skill retrieval 从平面 top-k 检索改成结构化、依赖感知的执行 bundle 检索。它离线解析 skill package 的 I/O schema、工具入口、路径和依赖关系，构建 typed executable skill graph；推理时先做语义-词法混合 seeding，再用反向加权 Personalized PageRank 召回前置依赖，最后按上下文预算 hydration 出紧凑 skill bundle。
它值得收录，因为这正好补上 SkillClaw、EvoSkill、SkillRouter 等路线里的一个关键系统层：skill 可以被创造和演化，但大规模使用时必须有可靠的依赖完整检索接口。论文在 SkillsBench、ALFWorld、200 到 2000 skill library 和 Claude Sonnet、GPT-5.2 Codex、MiniMax 等模型上验证了 reward、token 和 runtime 的平衡收益，方法具有明确工程可迁移性。
它不是更高一级，原因是它仍属于 skill-system 中的检索层改进，依赖 skill package 元数据质量和图构建假设；真实开放 skill marketplace 中的脏元数据、版本冲突、安全约束和动态依赖还没有被充分检验。