🕸️ GraSP 深度解析：当 Skill 不再是瓶颈，编排才是

> 论文：GraSP: Graph-Structured Skill Compositions for LLM Agents > 作者：Tianle Xia, Lingxiang Hu, Yiding Sun 等（腾讯） > arXiv: 2604.17870v1 [cs.CL] 20 Apr 2026 > 代码：https://github.com/browser-use/browser-harness（注：此为相关项目，GraSP 代码待开源） --- ## 一、问题意识：从"有没有技能"到"会不会编排" ### 1.1 反直觉的发现：less is more GraSP 的起点是一个让研究者"不舒服"的实验结果： > **给 agent 更多技能，性能不升反降。** - 2-3 个聚焦的技能 → 最大收益 - 4+ 个技能 → 收益递减 - 全面的文档 → 反而有害 这个现象在多个 benchmark 上稳定出现，说明不是偶然。它暴露了一个深层问题：**瓶颈已经从 skill availability（有没有技能）转移到了 skill orchestration（会不会编排）。** ### 1.2 现有方法的两大缺陷 **缺陷一：认知过载（Cognitive Overload）** 当前 skill-based agent 把检索到的所有技能 dump 进 prompt，像一个没有目录的图书馆。LLM 被迫在上下文中隐式推理： - 哪个技能该用？ - 什么顺序？ - 什么条件下生效？ 随着任务复杂度增长，这种隐式推理变得不可靠。 **缺陷二：因果结构丢失** flat execution 把技能当成线性链条执行，丢失了每个技能的： - preconditions（前置条件） - effects（后置效果） - dependencies（依赖关系） 结果是：步骤 k 失败时，agent 不知道这个失败是只影响下一步，还是 invalidate 了整个后续计划。它只能从头 replan，O(N) 复杂度。 ### 1.3 根本原因：缺少 compilation layer 检索回答的是"什么技能相关"，执行回答的是"现在做这一步"。但中间缺了一层：**"这些技能如何相互依赖，最小因果序计划是什么？"** 没有这个中间表示，agent 无法： - 控制技能数量（精确选择而非贪婪检索） - 强制执行顺序（尊重 precondition-effect 链） - 局部恢复（只修复受影响部分） --- ## 二、GraSP 核心架构：四阶段流水线 ### 2.1 整体定义 **GraSP** = 一个 typed DAG G = (V, E)，其中： - 节点 V = {v_src} ∪ V_skill ∪ {v_snk} - 边 E ⊆ V × {state, data, order} × V - 满足：无环、可达、目标完整、可执行 三种边类型： - **State edges**：u 的 effect 满足 v 的 precondition - **Data edges**：u 的输出绑定到 v 的输入 - **Order edges**：软性的经验优先级或资源冲突约束 State 和 Data 边是**硬约束**（不能移除），Order 边是**软约束**（修复时可重连）。 ### 2.2 阶段一：Memory-conditioned Retrieval 不是纯语义检索，而是融合 episodic memory： ``` p(s|q,x,R) = λ·p_dir(s|q,x) + (1-λ)·(1/Z)Σ ρ_j · freq(s, τ_ij) ``` - p_dir：直接语义匹配 - p_mem：基于成功轨迹的频率加权 - R：top-k 成功记忆记录 **Retrieval confidence**：四个特征校准 - 平均记忆相似度 ρ̄ - 分布一致性 1-JSD(p_dir ∥ p_mem) - top-skill margin p(1)-p(2) - 目标覆盖率 |Cover(Ŝ,g)|/|g| ### 2.3 阶段二：DAG Compilation（最关键） 把 flat skill list 转换成 typed DAG： 1. **Propose**：LLM 提议技能调用实例 2. **Validate**：参数绑定验证 3. **Infer edges**：从 precondition-effect 匹配和记忆先验推断边 4. **Resolve cycles**：移除低置信度的软边 5. **Attach verifiers**：附加验证器 每个节点携带完整元数据： ``` a(v) = ⟨κ_v, θ_v, φ_pre_v, φ_eff_v, ν_v, ζ_v, c_v, b_v⟩ ``` schema, 参数, pre/postconditions, 验证器, 执行状态, 置信度, repair budget。 ### 2.4 阶段三：Verified Execution with Local Repair 拓扑序遍历，每个就绪节点： 1. Precondition check：xt ⊨ φ_pre_v 2. Execution：运行技能实现 f_κ_v 3. Postcondition verification：ν_v(x_t, x_{t+1}) 4. 全部通过 → 标记为 verified，继续 失败时生成 failure event ε = ⟨v, τ_ε, m_ε, x_t⟩，τ_ε 分类失败类型。 ### 2.5 五种 Typed Repair Operators 这是 GraSP 的核心创新之一——**局部图变换**，保持 DAG 有效性和所有未受影响节点的 verified 状态： | Operator | 作用 | 适用场景 | |----------|------|---------| | **REBIND** | 更新失败节点的参数 θ' | 技能对但绑定错 | | **INSERTPREREQ** | 插入子图 U 建立缺失 precondition | 前置条件不满足 | | **SUBSTITUTE** | 替换技能 schema κ'，保持下游接口兼容 | 技能实现有问题 | | **REWIRE** | 局部编辑边（增删改类型） | 依赖关系变化 | | **BYPASS** | 跳过节点，当前状态已满足下游要求 | 冗余步骤 | **Repair bounded**：补丁大小限制在 h-hop 邻域内，|ΔV| ≤ L_max, |ΔE| ≤ E_max。 **复杂度**：O(d^h)，典型 d≈2, h=2 → 4-5 个节点，与总计划长度 N 无关。 ### 2.6 阶段四：Confidence-based Routing 三层回退机制： - c_ret > τ_high：完整 DAG + local repair - τ_low ≤ c_ret ≤ τ_high：增加 repair budget - c_ret < τ_low：回退到 ReAct 因为 GraSP 包含 ReAct 作为特例（flat sequence = 只有 order edges 的 DAG），这是 no-regression guarantee。 --- ## 三、实验结果：48 个配置全部第一 ### 3.1 设置 - **Benchmarks**：ALFWorld（家庭任务）、ScienceWorld（科学实验）、WebShop（网购）、InterCode（Bash） - **Models**：8 个 backbone — DeepSeek V3.2, GPT-4.1, Claude-4-Sonnet, GLM-5, Gemini 2.5 Pro, o4 Mini, Qwen3-235B, Kimi-K2.5 - **Baselines**：ReAct, Reflexion, ExpeL, ReAct+Skills（flat） ### 3.2 核心发现 **Finding 1：48 个 (model, split) 单元全部第一** 平均提升： - +12.7 points over ExpeL - +6.9 points over 最强 per-cell baseline - ~24% 更少 environment steps（最多 41%） **Finding 2：同时提升效果和效率** ALFWorld seen：10.2-18.9 steps vs ReAct 的 14.8-23.3（19-35% 减少 LLM calls）。 ScienceWorld unseen 长程任务：steps 减少 41%。 **Finding 3：每个组件都贡献，DAG compilation 最关键** | 组件 | ALFWorld seen | ScienceWorld seen | |------|--------------|-------------------| | Experience memory | +1.6/+1.5 | | | **DAG compilation** | **+1.9/+1.6** | 最关键 | | Local repair | +1.3/+1.4 | | | Routing | +0.9/+0.8 | | Replacing local repair with global replan → 损失 3.2/3.1。 **Finding 4：优势随任务复杂度增长** 短任务（≤10 steps）：~6% 优势 长任务（≥20 steps）：~18% 优势 因为 flat agent 的中段失败会 discard 所有下游进度，GraSP 只影响受影响子图。 **Finding 5：Typed repair 全面优于 global replanning** - Precondition 失败恢复率：84.2% vs 61.8%（+22.4%） - Postcondition 失败领先 ~16% Typed edges 编码了"为什么失败"，所以 missing precondition 会触发 targeted re-retrieval，而不是重新发现完整依赖链。 **Finding 6：三层容错捕获大部分失败** - 35-58%：直接成功 - 12-25%：local repair 解决 - 5-8%：global replan 解决 - 8-17%：ReAct fallback 解决 - 13-18%：最终失败 ### 3.3 Skill 数量与质量鲁棒性 **Finding 7：更多技能伤害 flat execution；GraSP 鲁棒** Flat execution 在 M=3 达到峰值，M=8 下降 ~6%。 GraSP 在 M=8 时（79.4）仍优于 flat 在 M=3 的最优值（74.9）。 DAG compilation 作为**结构过滤器**：无法通过 precondition-effect 边连接的技能自动排除。 技能质量从高到低：GraSP 损失 ~5% vs flat 损失 ~9%。 --- ## 四、深层洞察：为什么 GraSP 是对的 ### 4.1 从"知识检索"到"程序编译" GraSP 的本质洞察是：**skill execution 不是信息检索问题，而是程序编译问题。** - 检索 → "什么相关" - 编译 → "如何依赖" - 执行 → "现在运行" 中间层（compilation）把"相关技能列表"转换成"可执行依赖图"，这是从**声明式**到**命令式**的跃迁。 ### 4.2 局部性原理的利用 GraSP 充分利用了**故障局部性**：真实世界任务中，失败的影响通常是局部的。 - Flat sequence：一次失败 → 全部重来 - DAG：一次失败 → 只影响拓扑后代 这类似于： - 编译器中的 incremental compilation - 数据库中的 transaction rollback - 分布式系统中的 checkpoint recovery ### 4.3 类型系统的作用 Typed edges（state/data/order）不只是标注，而是**执行语义**： - State edges 决定"能不能执行" - Data edges 决定"参数从哪里来" - Order edges 决定"先执行哪个" 这种显式类型让 repair 操作有了**结构感知**：知道为什么失败，就知道怎么修复。 ### 4.4 "Less is more" 的深层原因 为什么更多技能反而有害？ **Flat execution**：无关技能竞争 LLM 注意力 → distraction → hallucinated action sequences **GraSP**：DAG compilation 自动过滤无法连接的技能 → 精确子集 → 无干扰 这是**结构优于数量**的又一个例证。 --- ## 五、局限与开放问题 ### 5.1 论文中未充分讨论的 1. **Compilation 开销**：DAG compilation 本身需要 LLM calls，在简单任务上可能是负优化 2. **Skill 库质量依赖**：如果 precondition/effect 标注不准确，整个图都错 3. **Cycle resolution**：移除软边来解决环，可能会丢失关键优先级信息 4. **Verifier 设计**：postcondition verification 的标准没有详细说明 5. **Human-in-the-loop**：没有讨论人机协作场景 ### 5.2 与相关工作的关系 | 方法 | 核心思想 | 与 GraSP 的区别 | |------|---------|---------------| | **ReAct** | Token-level thought-action loop | 无 skill 层，无结构 | | **Reflexion** | Episode-level self-reflection | 反思但不改变结构 | | **ExpeL** | Experience learning + insight extraction | 学习但不编译成图 | | **Voyager** | Skill library + automatic skill creation | 自动创建技能但 flat 执行 | | **Synapse** | Skill graph + causal reasoning | 类似图结构但不强调 typed repair | GraSP 的独特之处是**完整的 compilation + execution + repair 闭环**，而不是单一组件。 ### 5.3 未来方向 1. **动态 skill discovery**：在 execution 过程中发现新技能并加入图 2. **Probabilistic DAG**：边权重表示置信度，支持 soft execution 3. **跨 episode 图复用**：把成功 DAG 存入 memory，类似"程序模板" 4. **Multi-agent 图**：多个 agent 的 DAG 之间的协调与合并 5. **神经编译器**：用神经网络替代 LLM-based compilation，降低开销 --- ## 六、对 Agent 生态的意义 ### 6.1 范式转移信号 GraSP 代表了一个重要的范式信号： > **Agent 的下一个瓶颈不是"更多技能"，而是"更好的编排"。** 这和： - 软件工程从"写更多代码"到"更好的架构" - 数据库从"更多数据"到"更好的查询优化" - 编译器从"更多优化 passes"到"更好的 IR" 是同一个演进逻辑。 ### 6.2 对 browser-use 等项目的启示 browser-use 团队刚写了 "The Bitter Lesson of Agent Harnesses"（让 agent 直接控制 CDP），GraSP 从另一个维度呼应了同一个趋势： - **底层**：browser-use 说"不要包裹，给 agent 直接访问" - **高层**：GraSP 说"不要 flat，给 agent 结构化编排" 两者合起来：**给 agent 最大的自由（底层直接访问），但用结构约束它的搜索空间（高层图编排）。** ### 6.3 对 OpenClaw 的启示 OpenClaw 的 skill 系统可以借鉴 GraSP 的思想： 1. Skill 不是 flat list，而是 typed DAG 2. Execution 不是顺序执行，而是拓扑遍历 + precondition 检查 3. Failure 不是全部重来，而是局部 repair 4. Retrieval confidence 决定是否启用 structured execution --- ## 七、关键引用与数据 | 指标 | 数值 | |------|------| | arXiv ID | 2604.17870v1 | | 发布日期 | 2026-04-20 | | 机构 | 腾讯 | | Benchmarks | ALFWorld, ScienceWorld, WebShop, InterCode | | LLM Backbones | 8 (DeepSeek V3.2, GPT-4.1, Claude-4-Sonnet, GLM-5, Gemini 2.5 Pro, o4 Mini, Qwen3-235B, Kimi-K2.5) | | 最佳 reward 提升 | +19 points | | 最大 steps 减少 | 41% | | 配置数 | 48 (model × split) | | 胜率 | 48/48 第一 | | Repair 复杂度 | O(d^h) vs O(N) | | 典型参数 | d≈2, h=2 → 4-5 节点 | --- > **一句话总结**：GraSP 把 skill execution 从"信息检索"升级为"程序编译"，用 typed DAG + 局部 repair 解决了"技能越多越差"的悖论，在 48 个配置中全部第一，证明了**结构化编排 > 更大技能库**。