SkillNet als offene Infrastruktur zur systematischen Verwaltung von KI-Fähigkeiten

Die kontinuierliche Weiterentwicklung von KI-Agenten und deren Fähigkeit, komplexe Aufgaben autonom zu bewältigen, stellt eine zentrale Herausforderung in der aktuellen Forschung dar. Bisher mangelte es an einem systematischen Mechanismus zur Akkumulation und Übertragung von Fähigkeiten, was dazu führte, dass Agenten Lösungen in isolierten Kontexten immer wieder neu entwickeln mussten. Eine neue Entwicklung namens SkillNet verspricht, diese Limitationen zu überwinden.

SkillNet: Eine Infrastruktur für modulare KI-Fähigkeiten

SkillNet ist eine offene Infrastruktur, die darauf ausgelegt ist, KI-Fähigkeiten im großen Maßstab zu erstellen, zu bewerten und zu organisieren. Das Ziel ist es, eine robuste Grundlage für Agenten zu schaffen, die es ihnen ermöglicht, von transienten Erfahrungen zu dauerhafter Meisterschaft zu gelangen. Dies wird durch die Formalisierung von Fähigkeiten als sich entwickelnde, zusammensetzbare Assets erreicht.

Die Notwendigkeit eines systematischen Ansatzes

Die aktuelle Landschaft der KI-Agenten zeigt zwar eine flexible Nutzung von Werkzeugen und die Ausführung komplexer Aufgaben, doch ihr langfristiger Fortschritt wurde durch das Fehlen einer systematischen Akkumulation und Übertragung von Fähigkeiten behindert. Ohne einen einheitlichen Mechanismus zur Konsolidierung von Fähigkeiten "erfinden" Agenten Lösungen häufig neu, anstatt auf frühere Strategien zurückzugreifen. SkillNet tritt an, diese Lücke zu schließen.

Architektur und Kernkomponenten von SkillNet

SkillNet ist als End-to-End-Pipeline konzipiert, die heterogene Benutzereingaben und offene Internetressourcen in ausführbare Skills umwandelt und diese in einem strukturierten Netzwerk organisiert. Die Infrastruktur integriert ein Repository von über 200.000 Fähigkeiten, eine interaktive Plattform und ein vielseitiges Python-Toolkit.

Skill-Ontologie

Die Skill-Ontologie ist das Rückgrat von SkillNet und organisiert individuelle Fähigkeiten in einem strukturierten, zusammensetzbaren Netzwerk. Sie besteht aus drei Ebenen:

• Skill-Taxonomie: Organisiert Fähigkeiten in einer mehrstufigen Hierarchie mittels Kategorie- und Tag-Beziehungen (z.B. Entwicklung, AIGC, Wissenschaft).
• Skill-Beziehungsdiagramm: Definiert die Kerninteraktionslogik durch multirelationale Kanten wie similar_to (ähnlich wie), compose_with (zusammensetzbar mit), belong_to (gehört zu) und depend_on (hängt ab von).
• Skill-Paketbibliothek: Stellt die physische Organisation von Fähigkeiten dar, bei der einzelne Skills in Skill-Pakete (z.B. Datenwissenschafts-Visualisierung) gekapselt werden.

Skill-Erstellung

SkillNet verfügt über eine automatisierte Pipeline zur Skill-Erstellung, die heterogene Informationsquellen in standardisierte, wiederverwendbare Agenten-Skills umwandelt. Dies beinhaltet die Abstraktion von Skills aus verschiedenen Datenquellen wie Ausführungstrajektorien, Konversationsprotokollen, Open-Source-GitHub-Repositories und Dokumenten (PDF, PowerPoint, Word) sowie direkten natursprachlichen Prompts.

Skill-Bewertung

Ein zentraler Aspekt von SkillNet ist ein mehrdimensionales Bewertungsframework, das die Qualität und Zuverlässigkeit jeder Fähigkeit quantitativ charakterisiert. Die Bewertung erfolgt entlang der folgenden fünf Dimensionen:

• Sicherheit: Bewertung potenzieller Risiken, wie z.B. gefährliche Systemoperationen oder Robustheit gegenüber Prompt Injection.
• Vollständigkeit: Überprüfung, ob der Skill alle kritischen Prozessschritte kapselt und notwendige Voraussetzungen, Abhängigkeiten und Ausführungsbeschränkungen explizit definiert.
• Ausführbarkeit: Verifizierung, ob der Skill in Sandbox-Umgebungen erfolgreich implementiert werden kann, um fehlgeleitete Tool-Aufrufe oder mehrdeutige Anweisungen zu identifizieren.
• Wartbarkeit: Messung der Modularität und Zusammensetzbarkeit von Skills, um sicherzustellen, dass sie lokal aktualisiert werden können, ohne globale Abhängigkeiten zu stören.
• Kostenbewusstsein: Quantifizierung des Ausführungsaufwands, einschließlich Zeitverzögerung, Ressourcennutzung und API-Nutzungskosten.

Diese Bewertung wird hauptsächlich durch einen automatisierten LLM-basierten Evaluator (z.B. GPT-5o-mini) durchgeführt und durch empirische Validierung in kontrollierten Sandbox-Umgebungen ergänzt.

Skill-Analyse

Neben der Erstellung und Bewertung ermöglicht SkillNet eine Analyse der Beziehungen zwischen Skills. Dies beinhaltet die automatische Entdeckung und Modellierung struktureller Beziehungen, um ein strukturiertes und interpretierbares Skill-Beziehungsdiagramm zu erstellen. Dies unterstützt die globale Argumentation über große Skill-Repositories und fortgeschrittene Anwendungen wie Skill-Retrieval, Komposition und Workflow-Synthese.

Experimentelle Ergebnisse und Leistungsverbesserungen

Um die Effektivität von SkillNet zu bewerten, wurden Experimente in drei textbasierten simulierten Umgebungen durchgeführt: ALFWorld (Haushaltsszenarien), WebShop (Online-Einkauf) und ScienceWorld (wissenschaftliches Labor). Die Ergebnisse zeigen, dass Agenten, die mit SkillNet ausgestattet sind, signifikante Leistungssteigerungen erzielen. Im Vergleich zu Baselines wie ReAct verbessert SkillNet die durchschnittliche Belohnung um 40 % und reduziert die Anzahl der Interaktionsschritte um 30 %.

Diese Verbesserungen sind konsistent über verschiedene Backbone-Modelle hinweg (z.B. DeepSeek V3.2, Gemini 2.5 Pro, o4 Mini), was darauf hindeutet, dass SkillNet über parametrisches Wissen hinaus komplementäre Fähigkeiten bereitstellt und die Argumentation mit persistenten, ausführbaren Skills effektiv ergänzt. Die konsistenten Gewinne sowohl in bekannten als auch in unbekannten Settings unterstreichen die starke Generalisierungsfähigkeit von SkillNet.

Anwendungsszenarien

SkillNet überbrückt die Lücke zwischen hochrangigen Benutzerabsichten und ausführbaren Agentenaktionen, indem es spezialisierte Fähigkeiten in einem kohärenten Workflow organisiert. Zwei exemplarische Szenarien verdeutlichen die praktische Anwendbarkeit:

Autonome wissenschaftliche Entdeckung

Im Bereich der autonomen wissenschaftlichen Entdeckung kann SkillNet heterogene Agenten-Skills in einen kohärenten, ausführbaren und bewertbaren Forschungs-Workflow integrieren. Ein Beispiel hierfür ist die Identifizierung potenzieller krankheitsassoziierter Gene und therapeutischer Ziele aus großen biologischen Datenmengen. SkillNet plant dabei Datenverarbeitungsskills, um RNA-Sequenzierungsdaten zu bereinigen und zu clustern, mechanistische Analyse- und Zielvalidierungsskills, um Gene biologischen Pfaden zuzuordnen, und schließlich Berichtserstellungsskills, um die Ergebnisse in wissenschaftliche Dokumente zu integrieren.

Autonome Coding-Agenten

Für autonome Coding-Agenten demonstriert SkillNet sein Potenzial bei komplexer Code-Analyse, Refaktorierung und funktionaler Entwicklung. Hier werden Code-Analyse-Skills eingesetzt, um die Systemarchitektur zu strukturieren, Anforderungen zu zerlegen und Auswirkungen zu analysieren, um funktionale Anforderungen präzise auf Code-Modifikationen abzubilden. Während der Implementierung werden Generierungs-, Test- und Validierungs-Skills in einem iterativen Prozess koordiniert, der Echtzeit-Feedback nutzt, um automatische Korrekturen vorzunehmen.

Integration mit OpenClaw

SkillNet ist als Skill in das OpenClaw-Framework integriert, einem hochgradig anpassbaren Open-Source-Framework für persönliche KI-Agenten. Diese Integration erweitert die Agenten um dynamische Skill-Akquisition, qualitätsbewusstes Bibliotheksmanagement und erfahrungsgesteuerte Wissenserstellung. Der Agent kann relevante Skills suchen, herunterladen, aus verschiedenen Quellen erstellen und anhand der SkillNet-Bewertungsmethodik auditieren.

Fazit und Ausblick

SkillNet bietet eine offene Infrastruktur zur Erstellung, Bewertung und Organisation von KI-Fähigkeiten im großen Maßstab. Durch die systematische Konsolidierung von Erfahrungen, die Strukturierung von Fähigkeiten und eine prinzipielle Bewertung ermöglicht SkillNet Agenten, kumulativ zu lernen, zuverlässig über Aufgaben hinweg zu agieren und sich an komplexe, offene Umgebungen anzupassen. Dieses Framework legt den Grundstein für skalierbares, kontinuierliches Lernen und eine robuste Skill-Komposition.

Die zukünftige Entwicklung von SkillNet umfasst die Evolution von Skills in Open-World-Szenarien, die weitere Erforschung der Synergie zwischen Modellen und Skills sowie die Anwendung in Multi-Agenten-Kollaborationen und Wissensaustausch. Die Fähigkeit, Skills als primäre Einheit der Wissensintegration und Delegation zu nutzen, könnte die Vision eines "Ein-Personen-Unternehmens" oder "Ein-Personen-Labors" vorantreiben, in dem einzelne Experten eine Gesellschaft von Agenten orchestrieren.

Einschränkungen

Trotz der vielversprechenden Fortschritte weist SkillNet derzeit noch einige Einschränkungen auf. Die Abdeckung von Skills ist naturgemäß unvollständig, insbesondere in privaten oder hochspezialisierten Domänen. Die Qualität selbst erstellter Skills kann nicht vollständig garantiert werden, auch wenn Bewertungsverfahren einige problematische Fälle herausfiltern. Zudem ist eine End-to-End-Pipeline, die natürliche Sprachvorgaben in vollständig instanziierte Agenten über SkillNet übersetzt, noch nicht etabliert und bleibt ein wichtiges Forschungsfeld.

Bibliographie

- Liang, Y., Zhong, R., Xu, H., et al. (2026). SkillNet: Create, Evaluate, and Connect AI Skills. arXiv preprint arXiv:2603.04448. Verfügbar unter: https://arxiv.org/abs/2603.04448 - GitHub Repository: zjunlp/SkillNet. Verfügbar unter: https://github.com/zjunlp/SkillNet - Huang, L. (2026). SkillNet — Create, Evaluate, and Connect AI Skills. Medium. Verfügbar unter: https://medium.com/@linghuang_76674/skillnet-create-evaluate-and-connect-ai-skills-eccbe9106c2f - HuggingFace Blog: Create, Evaluate, and Connect AI Skills | SkillNet: A Large-Scale Agentic "Skill Graph" Knowledge Base. Verfügbar unter: https://huggingface.co/blog/xzwnlp/skillnet - Threads-Post von @itsjasonai. Verfügbar unter: https://www.threads.com/@itsjasonai/post/DVlm4r-l8al/insane-a-team-just-compiled-ai-skills-into-one-open-platform-and-proved-agents - ChatPaper.ai: SkillNet: Create, Evaluate, and Connect AI Skills - Paper Details. Verfügbar unter: https://www.chatpaper.ai/dashboard/paper/995484ba-65c1-4891-8a51-0a210dc696fd - Yuan Liang et al. (2026). SkillNet: Create, Evaluate, and Connect AI Skills. arXiv:2603.04448. Verfügbar unter: https://arxiv.org/html/2603.04448v1