GoS: Strukturierte Skill‑Retrieval‑Lösung steigert Agentenleistung

In modernen Agentensystemen ist die Nutzung von Skills ein entscheidender Faktor, um komplexe Aufgaben zu bewältigen. Das neue Verfahren Graph of Skills (GoS) bietet eine effiziente Möglichkeit, große Skill‑Bibliotheken zu handhaben, ohne die Leistungsfähigkeit zu beeinträchtigen.

Wenn Agenten tausende wiederverwendbare Skills laden, überlastet das Kontextfenster die Modelle, steigert Tokenkosten, führt zu Halluzinationen und erhöht die Latenz. GoS löst dieses Problem, indem es offline einen ausführbaren Skill‑Graphen erstellt und bei der Inferenz ein begrenztes, abhängigkeitsgerechtes Skill‑Bundle abruft.

Die Retrieval‑Strategie kombiniert hybride semantisch‑lexikalische Seed‑Methoden, reverse‑weighted Personalized PageRank und kontextbudgetierte Hydration. Dadurch werden nur die für die aktuelle Aufgabe relevanten Skills geladen, ohne die Abhängigkeiten zu verletzen.

Auf den Benchmarks SkillsBench und ALFWorld steigert GoS die durchschnittliche Belohnung um 43,6 % im Vergleich zum Baseline, bei dem alle Skills geladen werden, und reduziert die Input‑Token um 37,8 %. Die Methode funktioniert zuverlässig mit Claude Sonnet, GPT‑5.2 Codex und MiniMax.

Zusätzliche Ablationsstudien mit Skill‑Bibliotheken von 200 bis 2 000 Skills zeigen, dass GoS konsequent sowohl bei Belohnung als auch bei Token‑Effizienz und Laufzeit besser abschneidet als das Laden aller Skills oder ein einfaches Vektor‑Retrieval.

GoS liefert somit eine skalierbare, effiziente Lösung für Agenten, die mit umfangreichen Skill‑Sätzen arbeiten, und verbessert gleichzeitig die Leistung und Kostenstruktur.