技能为大语言模型代理提供可复用的过程知识，正确的技能选择是保证代理行为可靠的关键。随着技能库规模扩大，语义相近的候选技能难以区分。现有方法通过对技能描述进行编码或改写来实现基于相关性的排序，但描述的异构性往往掩盖了能力差异。为了解决这一问题，本文提出 SKALOS——一种基于图的重排序模型，直接比较技能的显式能力证据。SKALOS 使用多层次能力图在不同技能之间对齐等价表达，同时保留每个技能的独有能力证据。由于单个能力要素可能无法共同支撑查询，系统采用基于半环的能力见证学习，对每条分支以最弱证据进行打分，检查在同一次实现中提取需求的联合支持，并挑选最强的备选方案。为降低抽取错误的影响，SKALOS 引入排序反馈图校准，对候选比较中的不可靠证据进行调整。实验在 SkillRet 基准上进行，结果显示 SKALOS 将 NDCG@10 提升 2.68% 相比匹配的纯文本重排序器，并将 ALFWorld 任务成功率从 22% 提升至 29%。
点评：SKALOS 通过显式的能力图和半环评分机制，实现了对相似技能的细粒度区分，显著提升了检索质量和实际任务成功率，为大模型技能库的可扩展管理提供了新思路。