スキル強化型エージェント（skill-augmented agents）は、大規模な再利用可能スキルライブラリ（skill libraries）に依存することが増えている。しかし、関連スキルを検索することは、利用可能なコンテキストを提示することとは異なる。既存の手法は通常、原子スキル（atomic skills）や依存関係を考慮したバンドル（dependency-aware bundles）を返すが、内部の役割は暗黙的であり、エージェントが実行エントリポイント、サポートスキル、可視要件、障害回避ガイダンスを推測する必要がある。この問題に対処するため、本論文ではGroup of Skills（GoSkills）を導入する。これは推論時にグループ構造化検索を行う手法であり、エージェント向けの検索オブジェクトをフラットなスキルリストから、役割ラベル付きのコンパクトな実行コンテキストに変更する。
GoSkillsのコアプロセスは以下の通りである。まず、型付きスキルグラフ（typed skill graph）からアンカー中心のスキルグループ（anchor-centered skill groups）を構築する。アンカースキルはタスクの重要なエントリポイントであり、その周りに関連スキルが整理される。次に、グループグラフ（group graph）を介してサポートグループ（support groups）を拡張し、必要な補助スキルを含める。その後、選択されたグループ計画（group plan）を有界な原子スキルペイロード（bounded set of atomic skill payloads）に絞り込み、返却されるスキル数を制御する。最後に、固定実行契約（fixed execution contract）をレンダリングする。この契約には、Start（開始方法を示すフィールド）、Support（補助スキルをリストするフィールド）、Check（検証すべき条件を示すフィールド）、Avoid（障害回避の指針を示すフィールド）の4つの明確なフィールドが含まれる。重要なのは、GoSkillsが下流のエージェント、スキルペイロード、実行環境を変更する必要がない点であり、既存システムへの統合が容易である。
研究チームはSkillsBenchとALFWorldの二つのベンチマークで実験を行った。SkillsBenchはスキル検索専用のベンチマークであり、ALFWorldはテキストベースの仮想環境である。実験結果は、GoSkillsが小さなスキル予算でも可視要件（visible requirements）のカバレッジを維持し、フラットなスキルアクセスベースライン（flat skill-access baselines）を上回ることを示した。さらに、報酬（reward）とエージェント専用実行時間（agent-only runtime）の点でも、GoSkillsは構造検索リファレンス（structural retrieval references）よりも優れることが多かった。これらの結果は、グループ構造化検索がエージェントのスキル再利用効率を向上させる有効性を証明している。
総じて、GoSkillsはスキルに明確な役割ラベルとグループ構造を付与することで、既存のスキル検索手法におけるコンテキストの曖昧さを解消した。この研究は、スキルライブラリ検索に新たな視点を提供し、単なるスキル名のマッチングではなくコンテキスト構造の重要性を強調している。今後の研究では、動的なグループ構築やドメイン間の移行がさらに探求される可能性がある。