論文の概要: SkillClaw: Let Skills Evolve Collectively with Agentic Evolver

• arxiv url: http://arxiv.org/abs/2604.08377v1
• Date: Thu, 09 Apr 2026 15:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:06.001904
• Title: SkillClaw: Let Skills Evolve Collectively with Agentic Evolver
• Title（参考訳）: SkillClaw: エージェントエボルバーで集団的にスキルを進化させる
• Authors: Ziyu Ma, Shidong Yang, Yuxiang Ji, Xucong Wang, Yong Wang, Yiming Hu, Tongwen Huang, Xiangxiang Chu,
• Abstract要約: マルチユーザエージェントエコシステムにおける集合的スキル進化のためのフレームワークであるSkillClawを紹介する。 SkillClawは、クロスユーザとオーバータイムのインタラクションを、スキル向上のための主要なシグナルとして扱う。 使用中に生成された軌跡を連続的に集約し、自律的な進化器で処理する。 得られたスキルは共有リポジトリに保持され、ユーザ間で同期される。
• 参考スコア（独自算出の注目度）: 18.942639318503062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents such as OpenClaw rely on reusable skills to perform complex tasks, yet these skills remain largely static after deployment. As a result, similar workflows, tool usage patterns, and failure modes are repeatedly rediscovered across users, preventing the system from improving with experience. While interactions from different users provide complementary signals about when a skill works or fails, existing systems lack a mechanism to convert such heterogeneous experiences into reliable skill updates. To address these issues, we present SkillClaw, a framework for collective skill evolution in multi-user agent ecosystems, which treats cross-user and over-time interactions as the primary signal for improving skills. SkillClaw continuously aggregates trajectories generated during use and processes them with an autonomous evolver, which identifies recurring behavioral patterns and translates them into updates to the skill set by refining existing skills or extending them with new capabilities. The resulting skills are maintained in a shared repository and synchronized across users, allowing improvements discovered in one context to propagate system-wide while requiring no additional effort from users. By integrating multi-user experience into ongoing skill updates, SkillClaw enables cross-user knowledge transfer and cumulative capability improvement, and experiments on WildClawBench show that limited interaction and feedback, it significantly improves the performance of Qwen3-Max in real-world agent scenarios.
• Abstract（参考訳）: OpenClawのような大規模言語モデル(LLM)エージェントは、複雑なタスクを実行するために再利用可能なスキルに依存している。 その結果、同様のワークフロー、ツールの使用パターン、障害モードがユーザ間で繰り返し再発見され、システムが経験によって改善されるのを防ぐことができる。 異なるユーザからのインタラクションは、スキルの動作や失敗に関する補完的なシグナルを提供するが、既存のシステムには、そのような異質なエクスペリエンスを信頼性の高いスキル更新に変換するメカニズムが欠如している。 これらの課題に対処するため,多ユーザエージェントエコシステムにおける総合的スキル進化のためのフレームワークであるSkillClawを紹介した。 SkillClawは、使用中に生成されたトラジェクトリを継続的に集約し、自律的な進化体で処理することで、繰り返し発生する行動パターンを特定し、既存のスキルを洗練したり、新たな機能で拡張することで、スキルセットの更新に変換する。 結果として得られるスキルは共有リポジトリに保持され、ユーザ間で同期される。 マルチユーザエクスペリエンスを継続的なスキル更新に統合することにより、SkillClawはユーザ間の知識伝達と累積能力の向上を可能にし、WildClawBenchの実験では、インタラクションとフィードバックの制限により、現実世界のエージェントシナリオにおけるQwen3-Maxのパフォーマンスが大幅に向上することを示した。

関連論文リスト

• SkillX: Automatically Constructing Skill Knowledge Bases for Agents [27.56549031749266]
  SkillXは、プラグアンドプレイのスキル知識ベースを構築するための、完全に自動化されたフレームワークである。 3つのシナジスティックなイノベーションに基づいて構築された、完全に自動化されたパイプラインを通じて運用される。 実験の結果、SkillKBは、より弱いベースエージェントにプラグインされた場合、タスクの成功と実行効率を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-06T16:09:33Z)
• EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification [85.3692584167951]
  Anthropicは、LLMエージェントが多段階のプロフェッショナルタスクに取り組むためのスキルの概念を提案する。 ツールは単一の自己完結型関数であり、スキルは相互依存型多ファイルアーティファクトの構造化バンドルである。 EvoSkillsは、エージェントが複雑なマルチファイルスキルパッケージを自律的に構築できる自己進化型スキルフレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T06:43:20Z)
• SkillNet: Create, Evaluate, and Connect AI Skills [159.47504178122156]
  SkillNetは、大規模にAIスキルを作成し、評価し、組織化するように設計されたオープンインフラストラクチャである。 私たちのインフラストラクチャは、20万を超えるスキルのリポジトリ、インタラクティブなプラットフォーム、多目的Pythonツールキットを統合しています。
  論文  参考訳（メタデータ） (2026-02-26T14:24:02Z)
• SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
  生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。 本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。 ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-09T03:17:17Z)
• Pretrained Bayesian Non-parametric Knowledge Prior in Robotic Long-Horizon Reinforcement Learning [10.598207472087578]
  強化学習(Reinforcement Learning, RL)の手法は通常、新しいタスクをゼロから学習する。 この研究は、潜在的な原始的なスキルモーションを未知の特徴を持つ非パラメトリックな特性を持つものとしてモデル化する手法を導入する。 非パラメトリックモデル、特にDirichlet Process Mixturesは、出生とマージによって強化され、スキルの多様な性質を効果的に捉えるための事前トレーニングに使用される。
  論文  参考訳（メタデータ） (2025-03-27T20:43:36Z)
• Skill Expansion and Composition in Parameter Space [17.016614374151747]
  Parametric Skill Expansion and Composition (PSEC)はエージェントの能力を反復的に進化させるように設計された新しいフレームワークである。 PSECは、事前知識を活用して、新しい課題に効果的に取り組む能力が優れている。
  論文  参考訳（メタデータ） (2025-02-09T15:22:38Z)
• SkiLD: Unsupervised Skill Discovery Guided by Factor Interactions [48.003320766433966]
  この研究は、ローカル依存(スキルド)からのスキル発見を紹介します。 Skildは、環境内の異なる相互作用を誘発するスキルの習得を明示的に促進する、新しいスキル学習の目標を開発する。 本研究では,現実的なシミュレートされた家庭用ロボットドメインを含む,長期にわたる不利な報酬課題を伴う複数の領域におけるスキルドの評価を行った。
  論文  参考訳（メタデータ） (2024-10-24T04:01:59Z)
• Merge to Learn: Efficiently Adding Skills to Language Models with Model Merging [102.16497861225358]
  汎用言語モデルを新しいスキルに適用することは、現在、高価なプロセスである。 既存のモデルに新たなスキルを付加する効果について,新たなスキルを単独で訓練し,その後一般モデルとマージすることによって検討した。
  論文  参考訳（メタデータ） (2024-10-16T18:23:50Z)
• C$\cdot$ASE: Learning Conditional Adversarial Skill Embeddings for Physics-based Characters [49.83342243500835]
  C$cdot$ASEは、物理系文字に対する条件付き適応スキル埋め込みを学習する効率的なフレームワークである。 C$cdot$ASEは、不均一なスキルモーションを、低レベル条件モデルのトレーニングのための均質なサンプルを含む別個のサブセットに分割する。 スキル条件の模倣学習は、訓練後のキャラクターのスキルを明確に制御する。
  論文  参考訳（メタデータ） (2023-09-20T14:34:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。