给AI装一张"施工图纸"，比给它一堆便利贴管用得多

你有没有遇到过这种情况：办公室新来一个实习生，你想让他学会一套复杂的操作流程，于是把所有注意事项写成一张长长的清单，密密麻麻贴在他工位上。结果呢，他每次做事都得从头到尾扫一遍这张纸，经常还是搞不清楚"现在这一步"到底该看清单里的哪一条。

这几乎就是当下大语言模型智能体（LLM Agent）面临的真实处境。

**智能体：由大语言模型驱动，能够自主执行多步骤任务的AI系统，比如帮你操作表格、回答问题、在虚拟房间里找东西。**

为了让这些智能体干活更靠谱，研究者们发明了"技能"这个概念。你可以把技能理解成写给AI的操作手册，里面塞满了完成某类任务所需的步骤、规则和注意事项。手册写得好，AI干活就顺手；手册写得烂，AI就抓瞎。问题是，手册该怎么写、怎么改进，一直是个技术活。

这篇来自香港城市大学、新加坡国立大学和南方科技大学的论文，就是在琢磨这件事：怎么把技能这份"操作手册"设计得更聪明，让AI用起来更顺、让优化算法改起来更有效率。他们给出的答案是，把手册从一张写满字的便利贴，变成一张有清晰路径的施工图纸。

便利贴式的技能，问题出在哪

先说说现在主流的做法有什么毛病。

目前最有代表性的技能优化方法叫SkillOpt，它的思路是这样的：先给AI一份初始技能文档，让它去做一批任务，把执行过程记录下来。然后找另一个AI来分析这些记录，找出哪里做得不对，生成一些"补丁"打到原来的技能文档上。改完之后拿去验证集上测试，如果分数变高就留下，分数没变高就扔掉，接着重复这个过程。

这套流程听起来挺合理，问题出在技能文档本身的形态上。它是一段没有结构的自然语言文字，就像前面说的那张贴满便利贴的墙。论文里指出了这种写法的两个硬伤。

第一个硬伤是AI难以执行。优化到后期，技能文档往往变成一长串清单或者项目符号列表，读起来像是把所有可能用到的注意事项一股脑塞进去。AI在执行任务时，很难判断"现在这一步"到底该参考哪几条指导，也不知道做完这一步之后该往哪个方向走。这个问题对能力弱一点的模型尤其致命，比如论文里测试的GPT-5.4-nano，面对又长又杂的说明书时更容易迷失方向。

第二个硬伤是优化过程本身效率低。因为技能是一段无结构的文字，同样一个工作流程，可以用几十种不同的措辞方式表达出来。这意味着优化算法要在一个极其庞大又充满冗余的空间里摸索，很多时候它探索的只是同一件事的不同说法，而不是真正有意义的流程改进。

**技能优化：让AI自动分析执行记录、发现问题、修改技能文档，使其在下一轮任务中表现更好的过程，类似不断修订一份工作手册。**

想象一下你要给新员工写操作手册，如果你把手册写成一段连续的大白话，比如"先看看客户要什么，然后查一下库存，如果库存够了就下单，不够的话要先联系供应商，联系的时候记得说明紧急程度，下单以后要更新系统记录，还要记得给客户发确认邮件"。这段话信息量不小，但员工读起来很累，因为他不知道自己正处在流程的哪个节点上，也不知道当前节点具体该做什么、不该做什么。如果不做任何结构化处理，每次修订这份手册时，你可能只是在换着花样重写同一段话，而流程本身该有的分支和节点始终含糊不清。这正是无结构技能面临的两难。

把技能画成一张图

论文提出的解决办法，是把技能重新表示成一个图结构的自然语言产物。

这个思路的灵感来源很直接：技能本质上是在指导一套流程，而流程图恰好就是人类几十年来用来表达流程最直观的工具。于是研究者把每一个技能拆解成三个部分。

**全局指导（Global Guidance）：技能文档里适用于所有步骤的通用规则，比如任务背景介绍、总体原则、输出格式要求，这些内容不针对某个具体步骤，而是贯穿始终。**

第一部分是全局指导，相当于手册的总纲，写着这份工作的大背景、几条放之四海皆准的原则，以及输出结果该长什么样。

第二部分是节点集合。每一个节点代表一个具体的执行步骤，比如"解析任务目标""查找目标物品""验证最终答案"，节点内部包含完成这一步所需的全部指令、规则和限制条件。这些节点是可以被反复复用的积木块。

第三部分是边集合，通过一系列"工作流"来定义。每个工作流对应一种具体情境，规定了在这种情境下应该按什么顺序走过哪些节点。不同的工作流可以共享同一批节点，只是把它们串联的顺序或路径不一样。

**节点：图结构技能中的一个可复用执行步骤，包含完成该步骤所需的具体操作指导，类似流程图里的一个方框。

工作流：图结构技能中针对某种具体任务情境设计的执行路径，规定了应该按什么顺序经过哪些节点，类似流程图里从起点到终点的一条具体路线。**

论文里给了一个家务机器人的例子来说明这个结构。全局指导里写着"完成家务任务需要在房间里导航、和物体交互、使用家电"，还有一条通用原则"不要连续三次做同一个动作，卡住了就换个没探索过的地方"。节点集合里有"探索物品"（系统性搜索桌面和容器，先打开关闭的容器再判断物品不在）和"拿取物品"（看到目标物品能拿到手就立刻拿，别急着走）。而工作流部分定义了"取放物品"这个任务类型该走哪几步：先解析目标，再探索物品，再拿取物品，再找到目标容器，再放置物品，最后验证任务完成。

这个设计带来了三个实实在在的好处。第一，重复利用的指令只需要写一次，塞进一个节点里，多个工作流可以共享这个节点，而不用在文档的不同角落反复抄写同一段话，冗余大大减少。第二，每个工作流都是一条明确的、有序的步骤链，AI在执行时能清楚知道自己走到哪一步、当前该看哪个节点的指导，不用再从一整篇长文里现找现翻。第三，对于负责优化技能的算法来说，它现在面对的不再是一堆散乱的文字变体，而是一批结构清晰的节点和边，搜索空间被大幅压缩，改起来更有的放矢。

这就好比把一份写满流水账的员工手册，改造成了一张有清晰岗位标注和箭头指向的组织架构流程图。如果继续用流水账的写法，每次修订手册，你只能在段落里加一句、删一句，很难判断这句话到底影响了流程的哪个环节；而换成流程图之后，你想调整"验证环节"，直接在那个方框里改内容就行，不会牵一发动全身。

让一群技能"物种"互相竞争、互相学习

光是把技能结构化还不够，论文的第二个核心贡献是设计了一套配套的优化算法，叫GraphSkillEvo，用的是种群式的进化计算思路。

这里要先解释一下，为什么不满足于像SkillOpt那样，只维护一份技能反复迭代改进。论文的判断是，单一技能的迭代改进本质上是一条单一的探索路径，走到某个局部最优点之后，很难再靠自我反思跳出去。而进化计算的思路，是同时维护多个候选技能（一个"种群"），让它们并行探索不同的改进方向，再通过"杂交"把不同技能里的优点组合到一起，这样探索的范围要广得多。

**种群式进化优化：同时维护一批候选解，通过变异和交叉两种操作让这批候选解不断迭代进化，最终挑出表现最好的解，这是一种模拟生物进化过程的优化算法思路。**

具体的流程是这样运作的。首先初始化一个包含N个技能的种群，除了那份最初的技能，其余的都是让AI根据任务背景生成的、风格各异的图结构技能，尽量保持多样性。每个技能都会先在验证集上跑一遍，算出一个"适应度分数"。

接下来进入一轮又一轮的进化循环。每一轮，算法先从训练集里抽出一小批任务实例，让种群里的每个技能都拿去执行一遍，收集执行轨迹，尤其是记下那些失败的案例，留着当作后续改进的"反思素材"。

然后是生成新技能的环节，这里用到了四种操作，轮流调用。第一种叫全局指导变异，根据某个技能的失败案例，只修改它的全局指导部分，比如补充一条之前遗漏的注意事项。第二种叫图结构变异，同样根据失败案例，去调整节点和工作流本身，可能是让某个节点的指令更具体，也可能是新增一个节点来应对之前没考虑到的情况，还可能是调整某条工作流的路径。第三种是全局指导交叉，从两个不同的父代技能里各取所长，把好的全局指导内容组合起来，同时保留其中一个父代的图结构不变。第四种是图结构交叉，反过来，把两个父代的节点和工作流重新组合，保留其中一个父代的全局指导不变。

**变异操作：基于单个技能的执行反馈来局部改进它，类似一个人根据自己踩过的坑不断调整自己的做法。

交叉操作：从两个不同的技能里各取有用的部分组合成新技能，类似把两个人各自摸索出的经验合并成一套更完整的方法。**

选谁来当"父代"也有讲究，算法按照适应度排名给每个技能分配一个被选中的概率，排名越靠前的技能，被选去繁衍下一代的机会越大，但排名靠后的也不是完全没机会，这样既能保留优质基因，又不至于过早收敛到单一路径上。

生成完N个新技能之后，全部拿到完整验证集上打分，然后把当前种群和新生成的技能放在一起，挑出适应度最高的N个，组成下一代种群。这个过程反复进行若干轮，最后从最终种群里挑出分数最高的那个技能，作为优化结果。

这套机制放在生活里理解，有点像一个公司同时派出四个项目小组去尝试解决同一个业务难题，而不是只让一个人闷头改方案。这四个组里，两个组各自根据自己遇到的问题不断打磨细节（对应两种变异），另外两个组则专门负责去"抄"别的组做得好的地方，把不同组的优点拼到一起（对应两种交叉）。每隔一段时间开一次评审会，把表现最差的方案淘汰掉，留下最强的那几套继续往下迭代。如果公司只允许一个人一条路走到黑地改方案，很可能改进到某个阶段就卡住了，因为他手里的素材和思路终究有限；而四条路并行，还能互相借鉴，找到更好方案的概率自然更高。论文的实验结果也印证了这一点，光靠变异不做交叉，性能会明显下降，因为交叉承担着把不同探索路径上发现的优点重新组合的关键作用。

为了保证进化过程中生成的技能始终保持规范的图结构，论文还专门设计了一个校验环节，用脚本检查每个新生成的技能是否符合图结构的语法规则，比如每个工作流里提到的节点是否都在节点列表里定义过，每个定义的节点是否至少被一个工作流用到。校验不通过的技能会被直接丢弃重新生成，这就好比质检环节，确保流水线上出来的每一件产品都符合图纸标准，不会出现画了一半的流程图混进最终成品里。

实测效果：小模型受益最明显

论文在五个不同类型的智能体基准测试上做了对比，覆盖事实问答（SearchQA）、表格操作（SpreadsheetBench）、视觉文档理解（DocVQA）、数学多选题推理（LiveMathematicianBench）和虚拟环境交互（ALFWorld）。测试用了两个不同能力档位的模型GPT-5.4和GPT-5.4-nano，还分别在无额外执行框架和Codex框架两种设定下跑了实验。

结果显示，在14个模型、框架、基准的组合设定里，GraphSkillEvo在13个设定中拿到了最好成绩。和完全不用技能相比，它在GPT-5.4无框架设定下平均提升了15.37个百分点，在GPT-5.4-nano无框架设定下提升了21.86个百分点，在GPT-5.4配合Codex框架的设定下提升了10.31个百分点。

和SkillOpt这个强基线相比，GraphSkillEvo在GPT-5.4无框架设定下平均领先1.76个百分点，在GPT-5.4-nano无框架设定下领先4.01个百分点，在配合Codex框架的设定下领先1.33个百分点。

这里有个很值得琢磨的现象：能力较弱的小模型从图结构技能中获益更明显。GPT-5.4-nano上4.01个百分点的领先幅度，明显高于GPT-5.4上1.76个百分点的领先幅度。而在需要按部就班执行操作的任务上，比如SpreadsheetBench这个表格操作任务，GraphSkillEvo领先SkillOpt达到10.60个百分点；在需要和虚拟环境持续交互的ALFWorld任务上，领先幅度也有3.73个百分点。

这个结果其实很符合直觉。你让一个经验丰富的老员工去读一份写得比较乱的操作手册，他凭借经验多半也能猜出该怎么做；但你让一个刚入职的新人去读同一份手册，他大概率会一头雾水，反而是那种画得清清楚楚、箭头指向明确的流程图，能大大降低他出错的概率。GPT-5.4-nano就相当于这个新人，越是需要严格按步骤操作的procedural任务（比如表格操作、虚拟环境交互），流程图式的清晰指导就越能派上用场。

论文里还专门做了一个消融实验，把图结构去掉，只留下全局指导和节点级的指令，但不做显式的工作流组织，结果在五个基准上分别掉了4.52、2.50、4.19、1.35和0.75个百分点。这说明光有零散的指令内容还不够，把它们组织成有明确路径的工作流，本身就带来了额外的价值，这个价值不能简单归结为"内容更全"，而是"结构本身在起作用"。

另一项消融实验则拆解了变异和交叉各自的贡献。去掉图结构之后，平均分从71.52掉到64.08；去掉交叉操作之后，掉到66.59；去掉变异操作之后，掉到54.50，是三者里下降幅度最大的。这说明执行反馈驱动的局部改进（变异）是整个优化过程的地基，而跨候选方案的信息交换（交叉）则负责把不同探索路径上的收获重新组合起来，两者缺一不可。

值得一提的是，GraphSkillEvo不仅效果更好，消耗的计算资源反而更少。论文统计了优化过程中的token消耗总量，SkillOpt在GPT-5.4上用了81.08百万token，GraphSkillEvo只用了61.94百万；在GPT-5.4-nano上，SkillOpt用了103.54百万，GraphSkillEvo用了75.94百万。换句话说，SkillOpt要多花31%到36%的算力，却换不来更好的结果。

优化好的技能能不能换个模型接着用

论文还测试了一个很实际的问题：在GPT-5.4-nano上辛辛苦苦优化出来的技能，能不能直接拿到GPT-5.4上用，还是说必须为每个新模型重新优化一遍。

这个问题背后的现实意义在于，大模型更新换代的速度非常快，如果每换一个新模型就要把技能优化流程从头跑一遍，成本会很高。论文的测试结果显示，迁移过来的技能确实还能用，而且效果不差。在SpreadsheetBench这个任务上，从GPT-5.4-nano迁移过来的GraphSkillEvo技能得分达到71.78，甚至超过了直接在GPT-5.4上优化出来的技能（69.40分），也远超从GPT-5.4-nano迁移过来的SkillOpt技能（53.21分）。

这个结果说明图结构技能里沉淀下来的东西，更多是一种通用的、可迁移的流程性知识，而不是针对某个特定模型的调优技巧。这就好比一份写得足够清楚的施工图纸，不管是让老师傅还是新学徒来看，图纸上标注的施工顺序和注意事项都是通用的，不需要因为换了个操作的人就重新画一遍图。

写在后面

读完这篇论文，我最先被触动的一点，其实不是图结构技能本身的设计巧思，而是它揭示出的一个更普遍的道理：给AI提供指导信息，光是"内容全"是不够的，"结构清楚"同样重要，甚至可能更重要。消融实验里那个只删掉工作流组织、保留全部内容却导致性能下降的结果，某种程度上打破了我原本的一个默认假设，我原以为技能的效果主要取决于指令内容写得够不够详细，但这个实验说明，同样的内容，组织方式不同，AI用起来的效果就会显著不同。

另一个让我反复琢磨的细节，是小模型从结构化中获益更多这件事。这其实暗示了一个更普遍的规律：越是能力有限的系统，越依赖外部提供的清晰结构来弥补自身推理能力的不足；而能力越强的系统，越能靠自身的理解力去弥补输入信息的杂乱。这个规律不只适用于AI，人类团队管理里其实也差不多，新手团队需要更详尽、更结构化的SOP（标准作业流程），而经验丰富的团队反而能容忍更模糊的指导，靠默契和经验补齐。

论文最后提到的未来方向里，有一条是"探索更丰富的图组合机制"，这句话背后其实藏着一个还没被回答的问题：现在的图结构里，节点之间的关系还只是简单的顺序连接，如果任务本身存在更复杂的条件分支、并行执行、甚至循环反馈的结构，现有的这套表示方法够不够用？这大概是留给后来者继续琢磨的空间。

Q&A

Q1：GraphSkillEvo是什么？

A：GraphSkillEvo是一种针对AI智能体的技能优化框架，它把技能表示成图结构的自然语言文档，用种群式进化算法（含变异和交叉操作）来不断改进技能，帮助大语言模型更好地完成复杂任务。

Q2：图结构技能相比传统的文字技能有什么优势？

A：图结构技能把任务拆解成可复用的节点和明确的工作流路径，减少了内容冗余，还能给AI提供清晰的步骤指引。实验显示，去掉图结构后AI在多个任务上的成功率平均下降超过4个百分点。

Q3：优化好的技能能不能在不同的大模型之间迁移使用？

A：可以。论文测试发现，用GPT-5.4-nano优化出的图结构技能迁移到GPT-5.4上依然有效，在SpreadsheetBench任务上甚至比直接在GPT-5.4上优化的技能表现更好，说明这类技能承载的是通用的流程知识。