論文の概要: From Skill Text to Skill Structure: The Scheduling-Structural-Logical Representation for Agent Skills

• arxiv url: http://arxiv.org/abs/2604.24026v3
• Date: Thu, 30 Apr 2026 05:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 14:06:12.64394
• Title: From Skill Text to Skill Structure: The Scheduling-Structural-Logical Representation for Agent Skills
• Title（参考訳）: スキルテキストからスキル構造へ:エージェントスキルのためのスケジューリング構造論理表現
• Authors: Qiliang Liang, Hansi Wang, Zhong Liang, Yang Liu,
• Abstract要約: スケジューリング-構造論理(SSL)表現は、スキルレベルのスケジューリング信号、シーンレベルの実行構造、論理レベルのアクションとリソース使用エビデンスを分離する。 SSLは、エージェントシステムのより検査可能で、再利用可能で、運用可能なスキル表現への実践的なステップとして理解されている。
• 参考スコア（独自算出の注目度）: 5.327990835740087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents increasingly rely on reusable skills, capability packages that combine instructions, control flow, constraints, and tool calls. In most current agent systems, however, skills are still represented by text-heavy artifacts, including SKILL{.}md-style documents and structured records whose machine-usable evidence remains embedded largely in natural-language descriptions. This poses a challenge for skill-centered agent systems: managing skill collections and using skills to support agent both require reasoning over invocation interfaces, execution structure, and concrete side effects that are often entangled in a single textual surface. An explicit representation of skill knowledge may therefore help make these artifacts easier for machines to acquire and leverage. Drawing on Memory Organization Packets, Script Theory, and Conceptual Dependency from Schank and Abelson's classical work on linguistic knowledge representation, we introduce what is, to our knowledge, the first structured representation for agent skill artifacts that disentangles skill-level scheduling signals, scene-level execution structure, and logic-level action and resource-use evidence: the Scheduling-Structural-Logical (SSL) representation. We instantiate SSL with an LLM-based normalizer and evaluate it on a corpus of skills in two tasks, Skill Discovery and Risk Assessment, and superiorly outperform the text-only baselines: in Skill Discovery, SSL improves MRR from 0.573 to 0.707; in Risk Assessment, it improves macro F1 from 0.744 to 0.787. These findings reveal that explicit, source-grounded structure makes agent skills easier to search and review. They also suggest that SSL is best understood as a practical step toward more inspectable, reusable, and operationally actionable skill representations for agent systems, rather than as a finished standard or an end-to-end mechanism for managing and using skills.
• Abstract（参考訳）: LLMエージェントは、再利用可能なスキル、命令、制御フロー、制約、ツールコールを組み合わせた機能パッケージにますます依存している。 しかし、現在のほとんどのエージェントシステムでは、スキルはSKILL{を含むテキストの多いアーティファクトで表現されている。 マシン使用可能な証拠が、主に自然言語記述に埋め込まれているmdスタイルの文書と構造化された記録。 これは、スキル中心のエージェントシステムにとっての課題である: スキルコレクションを管理し、エージェントをサポートするためにスキルを使用するには、呼び出しインターフェースの推論、実行構造、そして単一のテキストサーフェスにしばしば絡み合う具体的な副作用が必要である。 したがって、スキル知識の明示的な表現は、これらのアーティファクトをマシンの獲得と活用を容易にするのに役立つかもしれない。 本稿では,Schank と Abelson の言語知識表現に関する古典的な研究から,メモリ・オーガナイゼーション・パケット,スクリプト理論,概念依存について解説し,スキルレベルのスケジューリング信号,シーンレベルの実行構造,およびリソース利用証拠であるスケジューリング-構造化-論理(SSL)表現について紹介する。 Skill Discoveryでは、SSLはMRRを0.573から0.707に改善し、リスクアセスメントではマクロF1を0.744から0.787に改善する。 これらの結果から, 明示的, 根拠的構造により, エージェントスキルの検索やレビューが容易になることが明らかとなった。 さらに彼らは、SSLは、完了した標準や、スキルの管理と使用のためのエンドツーエンドのメカニズムよりも、エージェントシステムのより検査可能で再利用可能な、運用可能なスキル表現への実践的なステップとして理解されていることも示唆している。

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)
• SKILL0: In-Context Agentic Reinforcement Learning for Skill Internalization [61.37478254738943]
  推論時のスキル向上は基本的に制限されている。 SKILL0は,スキル内部化のためのコンテキスト内強化学習フレームワークである。 SKILL0は標準のRLベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-04-02T17:03:05Z)
• SkillCraft: Can LLM Agents Learn to Use Tools Skillfully? [67.69996753743129]
  SkillCraftは、高レベルのツールコンポジションの生成と再利用を可能にする、明示的にストレステストエージェントのベンチマークである。 SkillCraftは、定量次元と構造次元の両方に沿ってスケールする困難を伴う、現実的で、構成性の高いツール使用シナリオを特徴としている。 本稿では,エージェントがアトミックツールを実行可能なスキルに自動生成し,タスク内およびタスク間のキャッシュと再利用を可能にする軽量な評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-02-28T15:44:31Z)
• SoK: Agentic Skills -- Beyond Tool Use in LLM Agents [6.356997609995175]
  エージェントシステムは、より確実にロングホライゾンを実行するために、再利用可能な手続き能力、すなわちエージェントスキルに依存している。 本論文は,全ライフサイクルのスキルレイヤ(発見,実践,蒸留,貯蔵,構成,評価,更新)をマッピングする。 我々は、スキルベースのエージェントのセキュリティとガバナンスの影響を分析し、サプライチェーンのリスク、スキルペイロードによるインジェクションの促進、信頼度の高い実行をカバーします。
  論文  参考訳（メタデータ） (2026-02-24T13:11:38Z)
• Agent Skills for Large Language Models: Architecture, Acquisition, Security, and the Path Forward [5.124116559484265]
  モノリシックな言語モデルからモジュール化された、スキルを持ったエージェントへの移行は、大規模言語モデル(LLM)の実際のデプロイ方法に決定的な変化をもたらす。 すべての手続き的知識をモデルウェイト内にエンコードするのではなく、エージェントスキルは、再トレーニングせずに動的機能拡張を可能にする。 この調査は、エージェントスキルのランドスケープを包括的に扱うもので、ここ数ヶ月で急速に進化してきた。
  論文  参考訳（メタデータ） (2026-02-12T21:33:25Z)
• A Theory for Emergence of Complex Skills in Language Models [56.947273387302616]
  今日のAI製品の主要な要因は、パラメータセットとトレーニングコーパスのスケールアップ時に、言語モデルに新たなスキルが現れることだ。 本稿では,LSMの有名な(かつ実証的な)スケーリング法則と単純な統計的枠組みを用いて,その出現を解析する。
  論文  参考訳（メタデータ） (2023-07-29T09:22:54Z)
• Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal Structured Representations [70.41385310930846]
  マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。 シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。 知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
  論文  参考訳（メタデータ） (2023-05-06T03:57:05Z)

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。