論文の概要: Group of Skills: Group-Structured Skill Retrieval for Agent Skill Libraries

• arxiv url: http://arxiv.org/abs/2605.06978v1
• Date: Thu, 07 May 2026 21:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.640239
• Title: Group of Skills: Group-Structured Skill Retrieval for Agent Skill Libraries
• Title（参考訳）: スキルのグループ:エージェントスキルライブラリーのためのグループ構造化スキル検索
• Authors: Kun Zeng, Yu Huo, Siyu Zhang, Zi Ye, Yuecheng Zhuo, Haoyue Liu, Yuquan Lu, Junhao Wen, Xiaoying Tang,
• Abstract要約: グループ・オブ・スキルズ(Group of Skills)は、エージェントが対象とする検索対象をフラットなスキルリストからコンパクトなロールラベル付き実行コンテキストに変更する推論時グループ構造化検索手法である。 GoSkillsは、型付きスキルグラフからアンカー中心のスキルグループを構築し、グループグラフを通じてサポートグループを拡張し、スタート、サポート、チェック、回避フィールドとの固定実行契約をレンダリングする。 SkillsBenchとALFWorldの実験によると、GoSkillsは小さなスキル予算の下で可視的要求カバレッジを保ち、フラットなスキルアクセスベースラインよりも改善し、報酬とエージェントのみのランタイムを相対的に改善する。
• 参考スコア（独自算出の注目度）: 17.05120726889683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skill-augmented agents increasingly rely on large reusable skill libraries, but retrieving relevant skills is not the same as presenting usable context. Existing methods typically return atomic skills or dependency-aware bundles whose internal roles remain implicit, leaving the agent to infer the execution entry point, support skills, visible requirements, and failure-avoidance guidance. We introduce Group of Skills (GoSkills), an inference-time group-structured retrieval method that changes the agent-facing retrieval object from a flat skill list to a compact, role-labeled execution context. GoSkills builds anchor-centered skill groups from a typed skill graph, expands support groups through a group graph, bottlenecks the selected group plan into a bounded set of atomic skill payloads, and renders a fixed execution contract with Start, Support, Check, and Avoid fields, without changing the downstream agent, skill payloads, or execution environment. Experiments on SkillsBench and ALFWorld show that GoSkills preserves visible-requirement coverage under a small skill budget, improves over flat skill-access baselines, and often improves reward and agent-only runtime relative to structural retrieval references.
• Abstract（参考訳）: スキル強化エージェントは、大規模な再利用可能なスキルライブラリにますます依存するが、関連するスキルを取得することは、使用可能なコンテキストを示すのと同じではない。 既存のメソッドは通常、内部の役割が暗黙的に残るアトミックなスキルや依存性を意識したバンドルを返し、エージェントは実行エントリポイント、サポートスキル、可視的要件、障害回避ガイダンスを推論する。 本稿では,エージェントが対象とする検索対象をフラットなスキルリストからコンパクトなロールラベル付き実行コンテキストに変更する推論時グループ構造化検索手法であるグループ・オブ・スキル(GoSkills)を紹介する。 GoSkillsは、型付きスキルグラフからアンカー中心のスキルグループを構築し、グループグラフを通じてサポートグループを拡張し、選択されたグループ計画を境界付けられたアトミックスキルペイロードにボトルネックを設け、ダウンストリームエージェント、スキルペイロード、実行環境を変更することなく、スタート、サポート、チェック、回避フィールドとの固定実行契約をレンダリングする。 SkillsBenchとALFWorldの実験では、GoSkillsは小さなスキル予算の下で可視的要求カバレッジを保ち、フラットなスキルアクセスベースラインよりも改善し、構造的検索参照に対する報酬とエージェントのみランタイムを改善することが示されている。

関連論文リスト

• SkillOS: Learning Skill Curation for Self-Evolving Agents [67.94374107466957]
  本稿では,自己進化エージェントのスキルキュレーションを学習するための,経験駆動型RLトレーニングレシピであるSkillOSを提案する。 SkillOSは、凍結したエージェントエグゼキュータとトレーニング可能なスキルキュレーターを組み合わせて、蓄積したエクスペリエンスから外部SkillRepoを更新する。 SkillOSは、メモリフリーと強力なメモリベースラインを、有効性と効率の両方で一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-07T17:31:50Z)
• From Context to Skills: Can Language Models Learn from Context Skillfully? [56.5857437218136]
  Ctx2Skillは、コンテキスト固有のスキルを自律的に発見、洗練、選択する自己進化フレームワークである。 より良い文脈学習能力を得るために、どんな言語モデルにもプラグインできる。
  論文  参考訳（メタデータ） (2026-04-30T09:53:15Z)
• Graph of Skills: Dependency-Aware Structural Retrieval for Massive Agent Skills [27.93279540484981]
  Graph of Skills (GoS)は、大規模スキルライブラリのための推論時構造検索層である。 GoSはバニラのフルスキルローディングベースラインに対して平均報酬を43.6%改善した。 GoSは、バニラスキルローディングと単純なベクトル検索の両方を一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-07T02:09:11Z)
• 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)
• 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)
• 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)

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。