В статье представлен метод ddkg.skill — агентский навык для больших языковых моделей (LLM), предназначенный для корректного запроса к сложным биомедицинским графам знаний, в частности к DDKG (Data Distillery Knowledge Graph) NIH. Несмотря на то что заголовок ссылается на алгоритм MOSAIC для обучения встраиваний узлов графа через спектральный анализ операторов диффузии, основной практический вклад работы заключается в интеграции LLM с биомедицинскими данными. Система использует контроллер, библиотеку специфичных для DDKG справочных материалов, структурированные таблицы и валидированные шаблоны запросов, чтобы направлять ИИ через процессы разрешения сущностей, проверки графа и построения запросов Cypher. Оценка проводилась на версии DDKG от декабря 2025 года: в тесте из семи случаев пять запросов к источникам, отсутствующим в примерах, были выполнены корректно. Разработанная система обеспечивает версионированный и переносимый способ передачи общих ИИ-системам практических знаний о сложных биомедицинских графах, что позволяет выполнять сложные задачи интеграции данных, такие как поиск пересечений геномных данных или связь фенотипов с клиническими базами, минимизируя ошибки в синтаксисе и семантике запросов.