GraphSkillEvo：圖結構化代理技能的演化最佳化
為何重要
將 Agent 技能最佳化從模糊的自然語言擴充，轉為可重組的結構化圖，是從「提示工程（Prompt Engineering）」邁向「程式化最佳化」的重要技術路徑。對開發者而言，這意味著即便在弱模型（如 nano 級別）上，也能透過精細的結構化 skill 設計快速逼近強模型的效能，降低對算力與大模型的依賴。
為解決 LLM 代理在執行 task-specific skill 時缺乏工作流程指引與冗餘問題，研究提出將技能轉化為「圖結構標記」，以節點封裝執行步驟與操作指引，顯著提升 LLM 的具體執行能力。
- 提出 GraphSkillEvo 框架，基於種群的進化最佳化演算法（包含變異與交叉運運算元），能比純 LLM 自我精煉探索更廣的技能空間。
- 在對比 SkillOpt 基準的 5 個效能測試中，GraphSkillEvo 持續勝出；在 GPT-5.4-nano 上平均準確率提升 4.01%，在 GPT-5.4 上提升 1.76%。