技能增強型智能體（skill-augmented agents）正越來越多地依賴大型可複用的技能庫（skill libraries）來完成複雜任務。然而，從技能庫中檢索到相關技能並不等同於向智能體提供了可直接使用的上下文信息。現有的檢索方法通常返回原子技能（atomic skills）或考慮依賴關係的技能包（dependency-aware bundles），但這些技能內部的角色關係是隱式的，導致智能體必須自行推斷執行的入口點、需要哪些輔助技能、在執行過程中需要滿足哪些可見條件以及如何避免失敗。這種隱式表示增加了智能體的推理負擔，也限制了技能複用的效率。為解決這一問題，來自多位研究者的團隊提出了Group of Skills（GoSkills）——一種推理時（inference-time）的羣組結構化檢索方法。GoSkills從根本上改變了面向智能體的檢索對象：從扁平的技能列表轉變為緊湊的、帶有角色標籤的執行上下文（execution context）。
GoSkills的核心流程包括以下幾個關鍵步驟。首先，基於一個類型化的技能圖（typed skill graph），構建以錨點（anchor）為中心的技能組（skill groups）。錨點技能通常是任務的關鍵入口，圍繞它組織其他相關技能。接着，通過組圖（group graph）擴展支持組（support groups），將可能需要的輔助技能納入進來。然後，將選定的組計劃（group plan）瓶頸化（bottlenecks）為一組有界的原子技能負載（bounded set of atomic skill payloads），確保返回的技能數量在可控範圍內。最後，渲染出一個固定的執行合約（fixed execution contract），該合約包含四個明確的字段：Start（起始字段，指明如何開始執行）、Support（支持字段，列出輔助技能）、Check（檢查字段，列出需要驗證的條件）和Avoid（避免字段，指出可能失敗的情況）。重要的是，GoSkills不需要修改下游的智能體、技能負載或執行環境，這使得它可以輕鬆集成到現有系統中。
研究團隊在SkillsBench和ALFWorld兩個基準上進行了實驗。SkillsBench是一個專門用於評估技能檢索的基準，而ALFWorld是一個基於文本的虛擬世界環境。實驗結果表明，GoSkills在較小的技能預算下（即返回較少技能的情況下）能夠保持對可見需求（visible requirements）的覆蓋率，優於扁平技能訪問基線（flat skill-access baselines）。此外，在獎勵（reward）和智能體運行時間（agent-only runtime）方面，GoSkills也經常優於結構檢索參考方法（structural retrieval references）。這些結果證明了羣組結構化檢索在提升智能體技能複用效率方面的有效性。
總的來説，GoSkills通過為技能添加明確的角色標籤和組結構，解決了現有技能檢索方法上下文不明確的問題。這項工作為技能庫檢索提供了新的視角，強調了上下文結構的重要性，而不是僅僅匹配技能名稱。未來可能的研究方向包括動態組構建和跨領域遷移，以進一步提高GoSkills的適應性和通用性。