SkillNet-Fabric

SkillNet-Fabric 是一个用于构建、评估和连接AI技能（Skills）的数据集和基准资源集合。该数据集包含技能语料（skills/）、基准输入（data/，包括SkillRouter、SkillsBench和AgentSkillOS三个基准）、图结构（graphs/，包括G_SR、G_SB、G_A53、G_A500、G_A1K等）以及三个主要实验（SkillRouter、SkillsBench、AgentSkillOS）和两个分析实验（局部化分析和AgentSkillOS消融）的完整工件。数据集来源于多个外部基准和技能注册表，涵盖技能路由、任务执行、技能池等场景，适用于AI技能系统的研究与开发。SkillNet-Fabric is a dataset and benchmark resource collection for building, evaluating, and connecting AI skills. It includes skill corpora (skills/), benchmark inputs (data/, covering three benchmarks: SkillRouter, SkillsBench, and AgentSkillOS), graph structures (graphs/, including G_SR, G_SB, G_A53, G_A500, G_A1K, etc.), as well as complete artifacts from three main experiments (SkillRouter, SkillsBench, AgentSkillOS) and two analysis experiments (localization analysis and AgentSkillOS ablation). The dataset is sourced from multiple external benchmarks and skill registries, covering scenarios such as skill routing, task execution, and skill pools, and is suitable for research and development of AI skill systems.

原始信息汇总

SkillNet-Fabric 数据集概述

SkillNet-Fabric 是一个用于“AI技能”的创建、评估与连接的研究项目数据集，由 zjunlp 团队发布。该数据集旨在支持技能图谱构建、技能路由、基准评估与消融实验等一系列研究任务，与相关论文 SkillNet: Create, Evaluate, and Connect AI Skills（arXiv:2603.04448）配套使用。

---

数据集内容结构

该数据集的资源按目录组织，主要包括以下部分：

目录	内容说明
skills/	用于构建图谱的技能语料库。
data/	三个基准任务的输入数据：SkillRouter、SkillsBench 和 AgentSkillOS。
graphs/	已发布的技能图谱，包括 G_SR、G_SB、G_A53、G_A500、G_A1K 及图谱构建日志。
main_experiments/	三个主实验（SkillRouter、SkillsBench、AgentSkillOS）的运行记录、结果、评估日志与交付物。
analysis_experiments/	定位分析（Localization）和消融实验（Ablation）的实验产物。
artifact_index.json	数据包的名称、大小、解压目标路径及校验和。
provenance.json	源代码版本与发布清单记录。

---

实验内容与发布资源

该数据集包含了多个实验的完整可复现资源，具体如下：

实验名称	发布的实验产出
SkillRouter	技能路由结果、每任务得分、汇总结果与运行时日志。
SkillsBench	两个执行器、87个任务、三次试验记录、技能选择与运行轨迹、验证器记录和交付物。
AgentSkillOS	两个执行器、三个技能池、任务工作区、生成框架、基线产物、Bradley-Terry排名及运行时日志。
定位分析	路由策略、排名、协议、报告和日志。
AgentSkillOS 消融实验	运行输出、排名结果、报告和日志。

实验目录保留了实验服务器上使用的原始运行名称，便于对应复现。

---

下载与使用方式

用户需要先安装 SkillNet-Fabric 代码仓库（github.com/zjunlp/SkillNet-Fabric），然后通过以下命令行工具下载并解压数据包：

bash skillfabric-repro download --repo-id zjunlp/SkillNet-Fabric --revision main --profile main

该命令会将选定的数据包下载并解压到 experiments/artifacts/ 目录，目录结构符合复现代码的预期布局。

---

数据来源与许可证

• SkillRouter 基准与评估来自 zhengyanzhao1997/SkillRouter 和 pipizhao/SkillRouter-Eval-Core。
• SkillRouter 技能注册表 来源于 majiayu000/claude-skill-registry（按发布的层清单固定版本）。
• SkillsBench v1.1 任务与评估器来自 benchflow-ai/skillsbench。
• AgentSkillOS 任务与评估器基于 arXiv:2603.02176。
• 重新分发的技能包为混合来源快照，层清单记录了上游数据集与固定版本。
• 仓库的 LICENSE 文件适用于 SkillFabric 代码，而重新发布的基准资源和技能包保留各自上游许可证条款。

---

引用建议

在论文正式发表前，建议引用相关论文：

bibtex @article{liang2026skillnet, title = {SkillNet: Create, Evaluate, and Connect AI Skills}, author = {Liang, Yuan and Zhong, Ruobin and Xu, Haoming and Jiang, Chen and others}, journal = {arXiv preprint arXiv:2603.04448}, year = {2026} }

搜集汇总

数据集介绍

构建方式

在人工智能技能表示与组合推理研究日益深入的背景下，SkillNet-Fabric数据集的构建遵循系统化集成与可复现原则。构建流程以技能语料库为基础，通过分层清单机制记录上游数据来源与固定版本，整合来自SkillRouter、SkillsBench和AgentSkillOS等基准任务的输入。随后利用统一的图构建流程生成G_SR、G_SB、G_A53、G_A500和G_A1K等多种技能图，并配套保留图构建日志。所有实验工件按主实验与分析实验分类存放，通过artifact_index.json和provenance.json提供包名称、大小、校验和及来源清单，确保构建过程透明且可追溯。

特点

该数据集在结构与内容上展现出多维度特征。技能语料、基准输入与异构技能图共置于统一存储库中，覆盖路由、评测与技能池管理等多类任务场景。实验工件涵盖SkillRouter、SkillsBench、AgentSkillOS及本地化分析与消融实验，保留运行名称、轨迹、验证记录和Bradley-Terry排名等细粒度信息。目录组织清晰区分主实验与分析实验，支持从技能选择到性能评估的全流程研究。工件索引与来源清单提供校验和及许可元数据，兼顾可复现性与合规性。

使用方法

使用该数据集需先安装SkillNet-Fabric代码仓库，随后通过命令行工具执行下载指令，指定仓库标识、修订版本与配置档案。下载命令自动选取所需工件包，解压至实验代码预期的experiments/artifacts/目录，保持与复现代码一致的文件布局。研究者可依据artifact_index.json定位特定技能图或实验记录，结合provenance.json追溯数据来源与许可条款。对于基准评测任务，可直接调用data/目录下的输入文件与graphs/中的技能图，配合main_experiments/与analysis_experiments/中的结果进行对比分析或复现验证。

背景与挑战

背景概述

面向智能体技能治理与复用这一新兴议题，SkillNet-Fabric数据集由浙江大学ZJUNLP团队于2026年前后构建并发布，相关成果与SkillNet论文相呼应。其核心研究问题在于如何对异构AI技能进行结构化组织、路由与评估，以支撑技能路由（SkillRouter）、技能基准测试（SkillsBench）以及多技能编排系统（AgentSkillOS）等任务。该数据集整合了技能语料、多种规模技能图、基准输入与完整的实验轨迹，为技能图构建、任务路由和智能体技能调度研究提供了可复现的实证基础，对推动技能可组合智能体领域的方法学与评测体系具有参考价值。

当前挑战

SkillNet-Fabric所面对的领域问题在于，技能语料来源多样、粒度与语义表征参差不齐，技能间的依赖与组合关系高度异质，使技能图构建、跨池路由与多技能编排难以获得稳定且可泛化的评测结论。在构建过程中，技能来源的异构性与许可差异显著，复现所需的上游版本、层清单与校验信息需精细维护；多执行器、多轮试验与多技能池配置带来实验管理与轨迹对齐的复杂性；基准任务与评估器的口径差异亦增加了结果可比性与可复现性的保障难度。

常用场景

经典使用场景

在人工智能技能建模与智能体能力评估的研究脉络中，SkillNet-Fabric作为一项集成化技能语料与图结构资源，其最经典的使用场景在于为技能路由（Skill Routing）与技能基准测试提供标准化的实验基础设施。研究者依托该数据集构建的技能语料，可系统性地开展技能检索、匹配与组合实验，并通过预置的SkillRouter、SkillsBench及AgentSkillOS等基准输入，对智能体在多样化任务环境中的技能调用与执行表现进行可复现的量化评估，进而揭示技能表征与任务需求之间的映射规律。

实际应用

在实际应用层面，SkillNet-Fabric为智能体系统的技能库管理、任务自适应路由与效能诊断提供了可直接复用的资源。开发人员可借助其技能语料与图结构，快速搭建面向特定领域的技能检索与推荐服务；评测人员则可利用SkillsBench与AgentSkillOS的实验配置，对智能体在真实任务流中的技能选择、执行轨迹及交付物质量进行端到端验证，从而加速技能增强型智能体从原型到部署的迭代进程，并为技能市场的构建与维护提供数据支撑。

衍生相关工作

围绕该数据集，学界与工业界已衍生出一系列经典工作。SkillRouter基准及其评测协议被广泛用于技能路由算法的比较研究；SkillsBench与AgentSkillOS则催生了多项关于技能选择策略、执行器设计与排行榜分析的研究，其中Bradley-Terry排名方法被引入以量化技能组合的优劣。相关技能注册表与技能池的发布，进一步促进了技能复用、迁移与组合优化的探索，为技能网络（SkillNet）生态的持续扩展奠定了坚实基础。