跳转至

HiSkill：层次化 Skill Graph

保真度：实现论文可隔离的核心状态与更新机制，并在统一公开数据或确定性 mini-suite 上运行；不把轻量机制实验写成原规模大模型复现。

论文信息

字段 内容
论文链接 HiSkill：层次化 Skill Graph（arXiv 2607.25853）
公司 / 机构 Beijing University of Posts and Telecommunications
首次公开日期 2026-07-28
原作者代码 已开源
本地 adapter / 算法键 hiskill
本地复现代码 src/auto_research/agent_research/

原始论文总结

背景与主要改动

用高层 skill、可执行 AtomicOp 和多类有向边组织经验，推理时只检索任务相关子图来落地动作。

flowchart LR
    T["交互轨迹"] --> H["高层 Skill"]
    T --> O["AtomicOp"]
    H --> G["typed skill graph"]
    O --> G
    G --> S["相关子图检索"]
    S --> A["动作落地"]

原论文关键图

HiSkill：层次化 Skill Graph 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ G=(V_{\mathrm{skill}}\cup V_{\mathrm{op}},E_{\mathrm{decomp}}\cup E_{\mathrm{temporal}}\cup E_{\mathrm{recovery}}),\quad a_t=\operatorname{Ground}(s_t,G_t). \]

论文离线与线上效果

在三个交互环境上超过强基线，同时降低推理 token 消耗。 论文没有报告生产线上 A/B，因此本站只保留离线/环境评测口径。

本地复现

PlanBench mini-suite 构建高层 skill/AtomicOp 节点及 decomposition、transition、recovery 边，记录子图复用。

指标 HiSkill
joint success 1.0000
average cost 0.6900
graph nodes / edges / AtomicOp reuse 48 / 60 / 324 
auto-research agent-eval --method hiskill --episodes 120 --seed 42

固定 seed 指标见 agent-20260729-seed42.json。

复现边界

图节点来自受控轨迹，不由在线 LLM 抽取；主要验证层次和关系是否改善复用。