🕸️ 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。