論文の概要: SkillSmith: Co-Evolving Skills and Tools for Self-Improving Agent Systems

• arxiv url: http://arxiv.org/abs/2606.01314v1
• Date: Sun, 31 May 2026 16:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.577074
• Title: SkillSmith: Co-Evolving Skills and Tools for Self-Improving Agent Systems
• Title（参考訳）: SkillSmith: 自己改善エージェントシステムのためのスキルとツールの共同開発
• Authors: Yangbo Wei, Zhen Huang, Shaoqiang Lu, Junhong Qian, Qifan Wang, Chen Wu, Lei He,
• Abstract要約: SkillSmithは、シナジー対応のスキルツールの共同進化フレームワークである。 スキル進化が再利用可能な機能ギャップを特定すると、ツールをラップ、編集、構成、分割、または廃止することが可能になります。 失敗の署名、因果帰属、治療を含むアンチパターンを記録し、既知の誤りを繰り返す診断と拒否提案を加速させる。
• 参考スコア（独自算出の注目度）: 36.96247516261787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent self-evolving agents have shown that skills can be discovered, refined, and accumulated through execution. However, existing skill-evolution frameworks typically assume a fixed tool layer and evaluate each skill independently, limiting their ability to repair tool-level failures or reason about interactions among skills. We propose SkillSmith, a synergy-aware skill-tool co-evolution framework. SkillSmith introduces a unified proposal space in which reflection produces atomic bundles that jointly modify skills and tools, allowing tools to be wrapped, edited, composed, split, or retired when skill evolution identifies a reusable capability gap. To guide this joint search, SkillSmith maintains an ecological utility model inspired by Lotka-Volterra dynamics, where an interaction matrix estimated from execution traces captures pairwise complementarity and conflict among skills and provides pressure signals for retrieval, mutation prioritization, and retirement. Furthermore, SkillSmith records anti-patterns, including failure signatures, causal attributions, and remedies, to accelerate diagnosis and veto proposals that repeat known mistakes. Experiments on three benchmarks, including WildClawBench, and five Qwen3.5 model scales show that SkillSmith consistently outperforms strong baselines, with gains that amplify as task complexity and multi-skill co-activation increase.
• Abstract（参考訳）: 最近の自己進化型エージェントは、実行を通じてスキルを発見し、洗練し、蓄積することができることを示した。 しかしながら、既存のスキル進化フレームワークは通常、固定されたツール層を前提として、各スキルを独立して評価する。 本稿では,SkillSmithを提案する。 SkillSmithは、リフレクションが、スキルとツールを共同で変更し、ツールをラップ、編集、構成、分割、またはリタイアできるようにする、再利用可能な機能ギャップを識別する、統一された提案空間を導入する。 この共同探索を導くため、SkillSmithはロトカ・ボルテラ力学にインスパイアされたエコロジーユーティリティモデルを維持しており、実行トレースから推定される相互作用行列は、スキル間の相互補完性と競合を捕捉し、検索、突然変異優先順位付け、退職のための圧力信号を提供する。 さらに、SkillSmithは、既知の誤りを繰り返す診断と拒否提案を加速するために、失敗の署名、因果帰属、治療を含むアンチパターンを記録する。 WildClawBenchや5つのQwen3.5モデルスケールを含む3つのベンチマークの実験によると、SkillSmithは、タスクの複雑さとマルチスキルのコアクティベーションの増加を増幅するゲインによって、一貫して強力なベースラインを上回っている。

関連論文リスト

• SkillGen: Verified Inference-Time Agent Skill Synthesis [60.927977774369516]
  SkillGenは、ベースエージェントによって生成されたトラジェクトリから単一の監査可能なスキルを合成するフレームワークである。 再利用可能な成功パターン、繰り返し発生する障害モード、そして近くの成功に現れるが失敗に欠ける行動を特定する。 SkillGenの重要な特徴は、エージェントスキルを、全体的なパフォーマンスに対するスキルのネット効果を実証的に検証するための介入としてモデル化することです。
  論文  参考訳（メタデータ） (2026-05-09T19:24:11Z)
• 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)
• SkillClaw: Let Skills Evolve Collectively with Agentic Evolver [18.942639318503062]
  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。
  論文  参考訳（メタデータ） (2026-04-09T15:38:27Z)
• SkillForge: Forging Domain-Specific, Self-Evolving Agent Skills in Cloud Technical Support [3.277125886726497]
  既存のスキルクリエーターはドメイン基盤を欠き、現実世界のタスク要件に適合しないスキルを生み出す。 SkillForgeは、エンドツーエンドの生成/リファインメントループを閉じるセルフ進化フレームワークです。 1,883のチケットと3,737のタスクにまたがる,現実世界のクラウドサポートシナリオを5つ評価した。
  論文  参考訳（メタデータ） (2026-04-09T07:11:23Z)
• 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)

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。