【将Skills转换为图结构】技术解析：能力图谱的构建、路由与组合实践

将Skills转换为图结构技术解析：能力图谱的构建、路由与组合实践

一、引言

亲爱的朋友们，创作不容易，若对您有帮助的话，请点赞收藏加关注哦，您的关注是我持续创作的动力，谢谢大家！有问题请私信或联系邮箱：jasonai.fn@gmail.com

2025 年前后，AI Agent 框架从单一工具调用迈向多技能协同，Skills（技能）成为智能体能力的最小封装单元。然而，绝大多数框架仍将 Skills 视为扁平列表——用名称注册、靠 LLM 自由裁量调用。这个设计在技能数量超过十几个时便开始失控：调用链无法追踪、依赖关系隐含在 Prompt 里、技能组合缺乏结构保证。

将 Skills 转换为图（Graph）结构，是解决上述问题的核心工程路径。它不是锦上添花的抽象，而是在技能数量增长、调用链变深、多智能体协作三重压力下的必然选择。本文从图建模原理出发，覆盖节点定义、边类型设计、拓扑排序执行、动态路由策略，给出可落地的工程实现思路。

二、为什么 Skills 需要图结构

2.1 扁平注册表的极限

当前主流框架（LangChain Tools、Claude Code Skills、AutoGPT Plugins）均采用名称 → 函数的注册表模式。其本质是一张哈希表：

SkillRegistry = { "search_web": fn_search, "read_file": fn_read, "write_code": fn_code, "run_tests": fn_test, ... }

这种结构在技能数量少、调用独立时工作良好。一旦技能之间存在前置依赖（write_code 必须先 read_file）、互斥约束（同时只能运行一个 shell 命令）或触发链（run_tests 失败时自动触发 debug），扁平表就无法表达这些关系——全靠 LLM 在 Prompt 中"猜"。

2.2 图结构带来的三项核心能力

三、图建模：节点与边的完整定义

3.1 技能节点（Skill Node）

每个 Skill 映射为图中的一个节点，携带以下元数据：

@dataclassclassSkillNode:id:str# 唯一标识，如 "write_code"name:str# 人类可读名称description:str# LLM 路由用的语义描述fn:Callable# 实际执行函数input_schema:dict# JSON Schema，入参约束output_schema:dict# JSON Schema，出参约束tags:list[str]# 能力标签，如 ["io", "filesystem"]cost:float=1.0# 调用代价（用于最短路径路由）timeout:int=30# 秒，超时熔断

input_schema/output_schema不仅用于验证，更是边兼容性检查的基础：只有上游节点的output_schema与下游节点的input_schema类型兼容，两者之间才允许连边。

3.2 边类型设计

图中的边承载了技能之间的关系语义，共分四类：

┌──────────────────────────────────────────────────────┐ │ 边类型体系 │ ├──────────────┬──────────────────┬────────────────────┤ │ 边类型 │ 语义 │ 示例 │ ├──────────────┼──────────────────┼────────────────────┤ │ DEPENDS_ON │ 强前置依赖 │ run_tests → write_code │ │ TRIGGERS │ 条件触发 │ test_fail → debug │ │ COMPOSES │ 数据流组合 │ read_file → parse_code │ │ EXCLUDES │ 互斥约束 │ deploy_prod ⊥ rollback │ └──────────────┴──────────────────┴────────────────────┘

@dataclassclassSkillEdge:source:str# 源节点 idtarget:str# 目标节点 idedge_type:EdgeType# DEPENDS_ON / TRIGGERS / COMPOSES / EXCLUDEScondition:Callable|None# 谓词函数，为 None 表示无条件weight:float=1.0# 路由代价

COMPOSES 边是数据流边，表示源节点的输出直接成为目标节点的输入——这让技能可以像函数式管道一样组合，无需 LLM 介入中间传参。

3.3 整体架构

┌─────────────────────────────────────────────────────────┐ │ SkillGraph（图层） │ │ ┌──────────┐ COMPOSES ┌──────────┐ COMPOSES │ │ │read_file │ ──────────► │parse_code│ ──────────►... │ │ └──────────┘ └──────────┘ │ │ │ DEPENDS_ON │ TRIGGERS │ │ ▼ ▼ │ │ ┌──────────┐ ┌──────────┐ │ │ │write_code│ │ debug │ │ │ └──────────┘ └──────────┘ │ │ │ DEPENDS_ON │ │ ▼ │ │ ┌──────────┐ │ │ │run_tests │ │ │ └──────────┘ │ ├─────────────────────────────────────────────────────────┤ │ GraphExecutor（执行层） │ │ 拓扑排序 · 条件谓词求值 · 并发调度 │ ├─────────────────────────────────────────────────────────┤ │ GraphRouter（路由层） │ │ 语义检索 · 最短路径 · 动态剪枝 │ └─────────────────────────────────────────────────────────┘

四、核心算法：拓扑排序与动态路由

4.1 拓扑排序驱动执行顺序

对于DEPENDS_ON边构成的 DAG，使用 Kahn 算法生成合法执行序列：

fromcollectionsimportdequedeftopological_sort(graph:SkillGraph,target:str)->list[str]:"""从 target 节点出发，反向收集所有依赖，返回合法执行序列"""# 1. 反向 BFS 收集子图subgraph_nodes=set()queue=deque([target])whilequeue:node=queue.popleft()ifnodeinsubgraph_nodes:continuesubgraph_nodes.add(node)fordepingraph.get_dependencies(node):# DEPENDS_ON 入边queue.append(dep)# 2. Kahn 算法拓扑排序in_degree={n:0forninsubgraph_nodes}forninsubgraph_nodes:fordepingraph.get_dependencies(n):ifdepinsubgraph_nodes:in_degree[n]+=1ready=deque([nforn,dinin_degree.items()ifd==0])order=[]whileready:node=ready.popleft()order.append(node)forconsumeringraph.get_consumers(node):ifconsumerinsubgraph_nodes:in_degree[consumer]-=1ifin_degree[consumer]==0:ready.append(consumer)iflen(order)!=len(subgraph_nodes):raiseCyclicDependencyError("技能依赖图中存在环")returnorder

具有DEPENDS_ON关系的技能按序执行；COMPOSES边相连的技能可以在数据就绪后并发执行，无需等待整个拓扑层完成。

4.2 语义路由：从任务描述到子图

当 Agent 收到一个自然语言任务时，路由器需要从图中找到最合适的起点（入口技能）和终点（目标技能），再提取最短有效路径：

defroute(task:str,graph:SkillGraph)->list[str]:# 1. 向量检索：找 top-k 候选节点candidates=vector_search(task,graph.node_embeddings,top_k=5)# 2. 以代价为权重的 Dijkstra 最短路best_path=Nonebest_cost=float("inf")forentryincandidates:path,cost=dijkstra(graph,entry,target=graph.goal_node)ifcost<best_cost:best_cost,best_path=cost,path# 3. 剪枝：移除条件谓词为 False 的边returnprune_by_conditions(best_path,graph)

路由层不调用 LLM，纯图算法，延迟在毫秒级。LLM 只负责填充每个节点的入参，不再决定调用顺序。

五、动态图：热插拔与版本管理

5.1 运行时添加技能节点

图结构天然支持运行时扩展：

classSkillGraph:defadd_skill(self,skill:SkillNode,edges:list[SkillEdge]=[]):"""热插拔：添加节点并验证边兼容性"""self._validate_schemas(skill,edges)# 类型兼容性检查self.nodes[skill.id]=skillforedgeinedges:self._add_edge(edge)self._invalidate_topo_cache()# 清空拓扑排序缓存defremove_skill(self,skill_id:str):"""移除节点前检查是否有强依赖者"""dependents=self.get_consumers(skill_id,edge_type=EdgeType.DEPENDS_ON)ifdependents:raiseDependencyError(f"{dependents}依赖{skill_id}，无法直接移除")self.nodes.pop(skill_id)

这让 Skills 的加载从"重启生效"变为"即时生效"，适合多租户场景下按用户动态配置能力集。

5.2 版本化技能节点

在节点 id 中嵌入版本号（write_code@v2），图中可以同时存在同一技能的多个版本：

六、与现有方案的对比

ReAct 模式（Reasoning + Acting）在技能少时体验极佳，因为 LLM 的泛化能力可以覆盖规划缺口。当技能超过 20 个，ReAct 开始出现"幻觉调用"（调用不存在的技能）和"漏调"（遗漏前置依赖）。图结构在这一阈值后显著优于 ReAct，代价是需要预先建模依赖关系。

七、总结

Skills 图结构代表了 AI Agent 能力层的一个工程化方向：将隐式的语义关系显式化为结构约束。它不取代 LLM 的规划能力，而是为 LLM 提供一张可靠的"地图"——LLM 决定去哪里，图保证走对路。随着 Agent 技能库持续扩张，这张地图的价值将随节点数量的增长而指数级放大。

参考资料：

1. LangGraph — LangChain
2. Kahn’s Algorithm for Topological Sorting — GeeksforGeeks
3. ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al., 2022