技能库涨大了，检索反而卡
智能体越来越依赖可复用的「技能」：一个技能封装一段能干成事的操作，新任务来了挑合适的用。可技能库一大，麻烦就来了。全量加载所有技能，token 和运行时开销立刻飙升，真正重要的规则还被一堆无关技能稀释；换成扁平的语义检索，把每个技能当成一条独立文本去匹配，又会丢掉技能之间的依赖、执行顺序、状态流转和数据流约束——挑出来的技能单看都像那么回事，拼起来却接不上。arXiv 2610.26995 提出的 SPEM，走的是另一条路：把技能存成图，而不是存成堆。
SPEM 维护两层记忆：原子技能记忆存单个技能，技能 DAG 记忆存从成功执行里提炼出的可复用组合。来了一个新任务，它先看有没有高置信的技能 DAG 模板可以直接套；没有，再去检索原子技能，并调用一个叫 Skill-GNN 的模块做状态与结构感知的筛选。跑通的执行还会被写回成新的技能 DAG，让程序记忆随时间越积越准。这个「先套模板、缺了再检索、成了再沉淀」的闭环，正好对症「全量加载太重、扁平检索太糙」两头不讨好的老问题。
复用既准又省
在 ALFWorld 和 SkillsBench 上的实验，SPEM 拿下了效果和效率之间较好的平衡：ALFWorld 成功率 87.1%，SkillsBench 回报 38.38%，同时把 token 与运行时开销压到低于强基线。值得注意的不是某个数字多漂亮，而是它证明了一件事——技能复用这件事，可以从「平铺的一堆文本」升级成「带结构与状态的有向图」，让智能体在挑技能时既看语义，也看依赖和顺序。
放到更宽的视角，SPEM 和近一季关于智能体记忆、技能资产化的讨论是同一股势头：大家越来越不把「经验」当成往向量库里一塞了事，而是开始给经验建结构。当技能库从扁平检索走向图谱化，智能体之间的经验也更容易被复用和审计——一个智能体踩过的有效组合，能以 DAG 的形式被另一个智能体直接继承，而不是重新从零摸索。这对想把智能体规模化铺到多条业务线的团队，是个实在的增益点。