外部技能能够在不修改参数的情况下提供领域过程，但现有方法往往直接在失败的 rollout 中编辑技能，缺乏从观察到的错误到可编辑位置的结构化路由；同时，现有的技能图未充分利用语义边界、对象地址和拓扑依赖来进行技能检索、针对性更新和范围化验证。我们提出 SkillAA（Skill Abductive Attribution），一种面向冻结语言模型的结构化技能优化框架。SkillAA 将技能的适用性、执行和组合统一映射到同一图结构，使得该结构既能支持技能选择，又能在失败与成功执行的对比中进行归因，引导修复候选到图中的具体对象，仅更新选中的局部子结构。随后，框架通过 Local Gate 与 Big Gate 两层筛选机制，对候选改动进行范围化验证，只有通过全部检测的改动才会被提交。实验使用 gpt-5.6-sol，在 SearchQA、LiveMath、DocVQA 三个基准上分别达到 81.5%、66.7% 和 91.2% 的成功率，并在所有主要设置中取得最高的平均表现，验证了归因驱动的图编辑和图范围验证的有效性。
点评：SkillAA 展示了在冻结模型上通过结构化图和归因机制进行精细化技能修复的可行路径，为未来的可解释性与安全性研究提供了新思路。