技能图自进化一轮将检索奖励从52.4%提至59.4%

SE-GoS作者自测显示一轮进化把SkillsBench检索奖励从52.4%提到59.4%，效果待独立复现。

重要性局部证据E2 未复现写法快讯

仅从执行轨迹维护技能检索图，一轮自进化就能把智能体技能库的检索奖励从52.4%提到59.4%，且不改模型、不改检索算法，也不需要另一个模型来判断技能相关性。

此前做法是全库加载或向量检索等固定索引方式，无法从执行记录里自动调整图的连接和节点描述。

SE-GoS作者自测显示，在SkillsBench上，一轮进化把平均奖励从52.4%提到59.4%，高于全库加载、向量检索等基线；在从未见过的held-out分片上从52.9%升到58.3%，token开销约为全库加载的三分之二。重复进化不再有增益，摘要未解释原因。

结果为作者自报，尚未见独立复现；方法由Dawei Fu等五位作者提出，10月1日更新在arXiv。

来源

专题

SE-GoS 是一项让 LLM 智能体的技能检索图从执行轨迹中自我改进的方法：不训练模型、不改技能代码、不换检索算法，只更新图的拓扑、边权和节点描述。作者自测显示，在 1000 技能的 SkillsBench 上，一轮进化把平均奖励从 52…

5 节点1 篇更新于 2026-10-03 18:47

2026-04-07Graph-of-Skills（GoS）发布：用类型化技能图加反向 Personalized PageRank 做依赖感知检索，在 SkillsBench 和 ALFWorld 上比全量加载技能平均奖励高 43.6%、token 省 37.8%。但图是静态的，建好后不随执行反馈更新。
2026-09-08SE-GoS 论文提交（arXiv:2609.08228）：从执行轨迹中归纳拓扑、衰减/强化边权、用一轮文本梯度改写检索不佳的节点描述，检索管线本身保持不变。