Векторный поиск (RAG) как стратегия выбора инструментов для автономных агентов официально зашел в тупик. Исследователи из Фуданьского университета и Сингапурского национального университета подтверждают: попытка выуживать нужный софт из гигантских библиотек по «схожести имен» ведет к структурной слепоте. Когда агент подбирает навык только на базе эмбеддингов, он в упор не видит функциональных зависимостей и тащит в контекст конфликтующие инструменты. На масштабе в тысячи записей этот «плоский» метод становится главной точкой отказа, превращая выполнение задач в логический винегрет.
SkillDAG предлагает заменить примитивные списки векторов на типизированные направленные ациклические графы (Typed Skill Graphs). В отличие от жестких конвейеров прошлого, SkillDAG открывает структурный интерфейс напрямую для LLM. В каждом цикле агент получает не просто результат поиска, а три четких поля: совпадения (matches), соседи (neighbors) и конфликты (conflicts). Это заставляет модели — будь то MiniMax-M2.7 или gpt-5.2-codex — осознанно анализировать, почему выбран конкретный навык и какие вспомогательные утилиты ему необходимы.
Главное в архитектуре SkillDAG
Система эволюционирует через протокол «предложение — фиксация»: агент регистрирует новые связи, которые проходят проверку на отсутствие циклов и противоречий перед записью в реестр. Монотонное онлайн-редактирование позволяет динамически обновлять базу знаний без потери старых данных. Модель получает полную карту зависимостей, что исключает использование взаимоисключающих инструментов.
Пора перестать относиться к инструментарию агента как к свалке скриптов и начать воспринимать его как граф зависимостей.
Цифры подтверждают превосходство архитектурного подхода над «удачным промптом». На бенчмарках ALFWorld и SkillsBench система SkillDAG показала 67,1% успеха, обойдя базовый Graph-of-Skills на 12,8 пункта. Что еще важнее для бизнеса, решение сохраняет устойчивость при десятикратном росте пула навыков, тогда как традиционные методы деградируют. Используя монотонное онлайн-редактирование, SkillDAG поднимает полноту выборки (recall) с 65,5% до 78,2%.
Если ваши автономные системы спотыкаются о конфликты софта или забывают про пререквизиты, переход на типизированные графы навыков становится вопросом выживания проекта в промышленной эксплуатации. Структурированный поиск неизбежно станет стандартом для любого агента, управляющего чем-то более сложным, чем пара специализированных функций.