智见｜龚伟华：智能体Skill组合优化赋能商业银行“数智化”发展

来源：市场资讯

（来源：现代商业银行杂志）

文_华夏银行首席信息官 龚伟华

华夏银行股份有限公司 王彦博 苏明 李璧鲁

中国科学院半导体研究所研究员/北京伊辛智能科技有限公司创始人 李明

华银数字科技（北京）有限公司 徐奇 张月

《中华人民共和国国民经济和社会发展第十五个五年规划纲要》指出，全面实施“人工智能+”行动，加强人工智能同科技创新、产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业。随着人工智能大模型技术的不断发展，通过为智能体配置技能（Skill）的方式可以快速完成各类垂类任务。但随着Skill数量的增加，Skill的选择成为了一个复杂的优化问题。本文聚焦智能体构建过程中的Skill选择组合优化问题，将其转化为二次无约束二值优化（Quadratic Unconstrained Binary Optimization，QUBO）问题并利用光电伊辛机进行求解。实证结果表明，该技术可有效实现Skill的选择，与直接使用大模型的选择方案和经典组合优化算法方案相比，在求解时间和能耗方面优势明显。相关工作为光计算赋能商业银行“数智化”发展提供了新思路。

关键词：智能体；Skill；商业银行；光计算

智能体开发面临Skill选择优化问题

2025年10月16日，Anthropic公司在Claude Code中推出Skill功能，将Skill从抽象概念转化为可落地的模块化能力包。2025年12月18日，Anthropic公司进一步将Skill作为开放标准发布，并公布了SKILL.md规范文档。Skill把完成某个特定任务所需的领域知识、操作流程、要用到的工具和最佳实践全都封装在了一起。面向垂类场景的智能体应用通常会用到多个Skill，智能体采用“渐进式加载”的方式完成Skill加载（初步仅加载名称和描述），当明确判断需要使用某个Skill时才加载其相关所有信息，从而有效地节省Token。

随着Skill迅速普及，Skill社区规模快速增长，截至目前ClawHub社区Skill数量已超过七万个。在构建智能体的过程中往往需要根据业务需求选择合适的Skill，如何在海量的Skill中高效地选择合适的Skill已成为一个复杂的优化问题。

当前已经有一些方案可以对Skill进行选择。2025年，Li等人提出的SkillFlow构建了多阶段检索流水线，通过密集检索、两轮交叉编码器重排序、大模型最终逐级收窄候选集来选择Skill。研究结果表明，该技术可将SkillsBench基准任务通过率从9.2%提升至16.4%。2026年，Liu等人构建了可执行的Skill图谱，通过混合语义-词元播种与反向加权PageRank算法，在推理阶段从大规模Skill库中检索受上下文约束的、依赖感知的Skill包。研究结果表明，在Skill库从200扩展到2000时，该方案在ALFWorld榜单上的平均奖励表现比完全加载所有Skill的基线提升了43.6%，同时输入Token减少了37.8%。随后，Bai等人提出的SkillDAG进一步将Skill间关系建模为有向类型图，提供给大模型智能体作为可调用的推理时检索接口，支持边执行边查询边演化的交互模式。研究结果表明，在ALFWorld榜单上，SkillDAG成功率达到67.1%，较基线提升了12.8个百分点。

基于光电伊辛机的智能体Skill选择实证研究

1.业务理解和数据理解

在智能体构建过程中，Skill选择是影响任务完成质量与效率的关键环节。当前，Skill市场已积累了海量可复用的Skill，单一任务需求往往需要从包含大量候选Skill库中筛选出若干Skill，以构建相应的智能体。Skill选择需考虑两方面的关键因素：一是Skill与任务的相关性，即所选Skill必须能覆盖任务所需的各项能力；二是Skill之间的冗余性，即所选Skill之间应尽可能互补而非重叠，避免功能重复导致的资源浪费。因此，Skill选择本质上是一个组合优化问题，即在满足任务覆盖度的前提下，最小化Skill间的相关性，从而得到最优的Skill子集。

2.模型构建

本文将Skill选择问题转化为QUBO问题，而后使用光电伊辛机进行求解。QUBO问题是一类以二元变量为决策变量、以二次多项式为目标函数且不包含显式约束条件的组合优化问题，其核心是求解该二次目标函数的全局最小值，是诸多NP-hard问题的标准规约形式。

本文构建了基于预训练语义表征模型的相似度计算框架，对Skill之间和Skill与任务之间的语义关系进行量化。从Skill文档的结构化元信息中提取Skill名称与描述，同时从任务需求中获取任务名称与任务描述，分别构造Skill文本与任务文本。随后，利用预训练语义嵌入模型对上述文本进行编码，获得归一化后的高维语义向量。

该目标函数可等价转化为QUBO问题，具体数学表达式为：

其中，

的矩阵。

通过上述转化，Skill选择问题可转化为QUBO问题，从而可以使用经典优化算法或光计算进行求解。

本文聚焦光计算技术方案，基于光电参量振荡的伊辛机进行QUBO问题求解，该系统内，光和微波脉冲相位仅取0或π，对应伊辛自旋的二元状态。在Skill选择优化问题求解过程中，首先将建模好的QUBO矩阵转化为伊辛模型矩阵J并编程写入光电伊辛机，矩阵J改变光电参量振荡网络的全局损耗分布，根据最小损耗原理，最低损耗的自旋相位组合收敛可能性最大。该系统会自发向能量最低方向演化，稳定振荡时的自旋配置即为最优解。最终通过测量相位分布，经转换即可得到QUBO问题的解，即最优的Skill组合选择。

3.实证结果

本文针对典型办公任务开展Skill选择实证研究。以“从用户上传的文档中提取信息，汇总至指定数据表格，并将汇总结果通过邮件发送至指定邮箱”场景为例，验证不同方案能否从包含文档处理、代码开发、数据查询、数据分析等任务的1000个Skill库中，准确选择并调用所需Skill，完成复杂办公任务。

本文对智能体Skill选择问题的多种方案进行对比。一是利用大模型直接推理，即将所有的Skill加载到智能体中，然后通过问答形式，根据渐进式加载方式，大模型直接筛选出能解决任务的Skill组合。二是将Skill选择问题转化为QUBO问题后可以使用经典模拟退火算法（Simulated Annealing，SA）和禁忌搜索算法（Tabu Search，TS）求解。其中，SA算法通过模拟物理退火过程，以一定概率接受劣解的方式跳出局部最优；TS算法利用禁忌表避免循环搜索，有效避免局部最优陷阱，二者都是求解组合优化领域的经典算法。三是将Skill选择问题转化为QUBO问题后使用光电伊辛机进行求解，该求解方案基于光计算原理，将QUBO问题映射为伊辛模型能量最小化问题，利用光学系统的低延迟特性实现高速求解。具体来看，根据建模过程，取超参数

，表示该建模过程更重视Skill与任务之间的相关性，并且基于Skill的描述和原始问题构造出QUBO矩阵。

上述不同方案在同一任务中筛选出的Skill和所使用的时间分别如表1和表2所示。

求解结果方面，由表1可知，光电伊辛机方案和SA、TS算法选择结果相同，且和大模型方案相比，均包含Word文档处理、Excel表格处理和邮件发送三类关键Skill，满足该办公场景需求，说明将Skill选择问题转化为QUBO问题后，光电伊辛机在Skill选择优化方面具有可行性。此外，与大模型方案相比，光电伊辛机方案额外选择了invoice-organizer Skill，该Skill主要用于发票信息识别与结构化处理，当待处理文档中包含发票等票据内容时，该Skill能够进一步提升信息提取能力。

求解时间方面，由表2可知，光电伊辛机以0.5秒的求解时间选择出对应的Skill组合，大模型直接筛选耗时是光电伊辛机耗时的200倍，SA算法和TS算法耗时分别是光电伊辛机耗时的11倍和10.8倍。更为关键的是，当候选Skill规模扩大至数万乃至数十万级别时，大模型推理时间与经典优化算法的耗时将会有明显的增加趋势，而光电伊辛机的求解时间不会发生显著变化。

同时，本文还对比了光电伊辛机、SA算法和TS算法求解该QUBO问题相应的能耗情况。经测算，经典计算机运行SA算法5.523秒的计算任务耗能为2761.5J，TS算法5.378秒的计算任务耗能为2689J，光电伊辛机运行0.5秒的计算任务耗能为239.5J，SA算法的耗能约为光电伊辛机的11.5倍，TS算法的耗能约为光电伊辛机的11.2倍。

对商业银行经营管理的启示

1.关注人工智能由模型能力竞争向智能体能力竞争的转变

随着大模型技术逐步成熟，模型能力正在快速趋同，人工智能竞争的重点正在由基础模型逐步转向智能体应用能力。对于商业银行而言，未来竞争优势将更多来源于行业知识沉淀、业务流程固化以及智能体持续演进能力，而不仅仅是模型参数规模或推理能力。Skill作为智能体的重要组成部分，本质上是业务知识、操作流程和工具能力的标准化封装，是企业数字化能力的重要载体。银行应围绕智能营销、智慧运营、智能风控、法律合规等重点领域，加快构建企业级Skill管理和应用体系，将分散在各业务部门的经验和能力逐步沉淀为可复用、可组合、可持续优化的数字资产，为智能体规模化建设奠定基础。

2.提升智能体Skill管理能力，不断提升人工智能应用水平

随着智能体数量和Skill规模持续增长，银行人工智能建设将逐步由单点应用走向平台化运营。未来影响智能体应用效果的，不仅是单个Skill质量，更是Skill之间的协同组合能力以及平台治理能力。因此，商业银行在开展智能体应用过程中，不仅应关注Skill开发、测试、审核、发布、评价等全生命周期管理机制，更应加强Skill智能编排能力建设，围绕不同业务场景构建面向任务目标的Skill选择、组合与动态调度机制，实现Skill资源的高效复用与持续优化。

3.加强新兴技术储备，构建面向未来的金融科技能力

随着大模型智能体的不断发展，Skill规模将持续增长，Skill组合优化问题的复杂度也将快速提升。面对海量Skill的动态选择与组合，传统计算方式在求解效率、计算资源消耗以及全局最优搜索能力等方面将面临越来越大的挑战。Skill组合优化本质上属于典型的组合优化问题，与光计算、量子计算等先进计算技术具有较高的契合度。近年来，光电伊辛机等光计算技术在组合优化领域不断取得突破，为Skill组合筛选提供了新的技术路径。商业银行应持续关注光计算、量子计算等前沿技术，坚持技术研究与应用验证并重，积极探索先进计算技术与智能体Skill的融合应用，为未来金融科技能力建设做好技术储备和能力布局。

综上，当前Skill逐步成为智能体能力构建的重要载体，Skill选择与组合优化也成为影响智能体应用效果的关键环节。本文针对智能体构建过程中Skill选择这一典型组合优化问题，提出了基于光电伊辛机的优化求解方案，并实证了其在求解效率和应用效果方面的可行性。未来，随着商业银行Skill规模持续增长以及多智能体协同应用不断普及，Skill优化问题将更加复杂，光计算等先进计算技术有望在智能体构建、任务调度、资源优化等领域发挥更大作用。商业银行应坚持人工智能与先进计算技术协同发展，积极开展关键技术研究和场景验证，不断探索面向下一代金融智能体的新型技术路径，为金融数字化智能化发展提供新的技术支撑（本文获北京市科技计划项目《基于CoE架构的银行信贷风控大模型系统关键技术研究与应用》（项目编号：Z241100001324024）支持。华夏银行股份有限公司关杏元，华银数字科技（北京）有限公司杨璇、王杰、冯琳、刘慧萍、王少昆、曹晓峰，以及北京伊辛智能科技有限公司郝俊杰、马学龙、肖晔对本文亦有贡献，感谢北京伊辛智能科技有限公司提供的硬件、技术支持）。

参考文献：

[1] Fangzhou Li, Pagkratios Tagkopoulos, and Ilias Tagkopoulos. "SkillFlow: Scalable and Efficient Agent Skill Retrieval System." arXiv:2504.06188 (2026).

[2] Dawei Liu, Zongxia Li, et al. "Graph-of-Skills: Dependency-Aware Structural Retrieval for Massive Agent Skills." arXiv:2604.05333 (2026).

[3] Tong Bai, et al. "SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale." arXiv:2606.03056 (2026).

[4]Qizhuang Cen, Hao Ding, Tengfei Hao, et al. "Large-scale coherent Ising machine based on optoelectronic parametric oscillator. " Light Sci. Appl. 11, 333 (2022).

[5]Zhewen Hu, Yanbo Ren, Yao Meng, et al. "Programmable optoelectronic Ising machine for optimization of real-world problems. “ Light Sci. Appl. 15, 6 (2026) .

[6]Zhentong Li, Xuelong Ma, Qi Chen, et al. "Hybrid neuromorphic optoelectronic Ising

machine via dynamic steep-activation feedback. " Photon. Res. 14(7), 2946–2957 (2026).