技能增强型智能体（skill-augmented agents）正越来越多地依赖大型可复用的技能库（skill libraries）来完成复杂任务。然而，从技能库中检索到相关技能并不等同于向智能体提供了可直接使用的上下文信息。现有的检索方法通常返回原子技能（atomic skills）或考虑依赖关系的技能包（dependency-aware bundles），但这些技能内部的角色关系是隐式的，导致智能体必须自行推断执行的入口点、需要哪些辅助技能、在执行过程中需要满足哪些可见条件以及如何避免失败。这种隐式表示增加了智能体的推理负担，也限制了技能复用的效率。为解决这一问题，来自多位研究者的团队提出了Group of Skills（GoSkills）——一种推理时（inference-time）的群组结构化检索方法。GoSkills从根本上改变了面向智能体的检索对象：从扁平的技能列表转变为紧凑的、带有角色标签的执行上下文（execution context）。
GoSkills的核心流程包括以下几个关键步骤。首先，基于一个类型化的技能图（typed skill graph），构建以锚点（anchor）为中心的技能组（skill groups）。锚点技能通常是任务的关键入口，围绕它组织其他相关技能。接着，通过组图（group graph）扩展支持组（support groups），将可能需要的辅助技能纳入进来。然后，将选定的组计划（group plan）瓶颈化（bottlenecks）为一组有界的原子技能负载（bounded set of atomic skill payloads），确保返回的技能数量在可控范围内。最后，渲染出一个固定的执行合约（fixed execution contract），该合约包含四个明确的字段：Start（起始字段，指明如何开始执行）、Support（支持字段，列出辅助技能）、Check（检查字段，列出需要验证的条件）和Avoid（避免字段，指出可能失败的情况）。重要的是，GoSkills不需要修改下游的智能体、技能负载或执行环境，这使得它可以轻松集成到现有系统中。
研究团队在SkillsBench和ALFWorld两个基准上进行了实验。SkillsBench是一个专门用于评估技能检索的基准，而ALFWorld是一个基于文本的虚拟世界环境。实验结果表明，GoSkills在较小的技能预算下（即返回较少技能的情况下）能够保持对可见需求（visible requirements）的覆盖率，优于扁平技能访问基线（flat skill-access baselines）。此外，在奖励（reward）和智能体运行时间（agent-only runtime）方面，GoSkills也经常优于结构检索参考方法（structural retrieval references）。这些结果证明了群组结构化检索在提升智能体技能复用效率方面的有效性。
总的来说，GoSkills通过为技能添加明确的角色标签和组结构，解决了现有技能检索方法上下文不明确的问题。这项工作为技能库检索提供了新的视角，强调了上下文结构的重要性，而不是仅仅匹配技能名称。未来可能的研究方向包括动态组构建和跨领域迁移，以进一步提高GoSkills的适应性和通用性。