論文の概要: Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents

• arxiv url: http://arxiv.org/abs/2606.09316v2
• Date: Tue, 09 Jun 2026 09:39:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 13:21:50.815665
• Title: Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents
• Title（参考訳）: Anything2Skill: 外部知識をエージェントの再利用可能なスキルにコンパイルする
• Authors: Qianjun Pan, Yutao Yang, Junsong Li, Jie Zhou, Kai Chen, Xin Li, Qin Chen, Liang He,
• Abstract要約: Anything2Skillは、異種外部の知識を再利用可能な、検索可能な、エージェントの実行可能なスキルにコンパイルする分類誘導フレームワークである。 我々は、Anything2SkillとRAGを組み合わせることで、それぞれ98.85%と94.10%の成功率が得られることを示した。
• 参考スコア（独自算出の注目度）: 27.965275812765015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) enables agents to access external knowledge at inference time, but it primarily retrieves fragmented declarative evidence, leaving agents to repeatedly infer task procedures from passages, manuals, examples, logs, or trajectories. This raises a fundamental question: can skills extracted from external knowledge bases be installed into an agent, enabling it to rapidly approximate domain expertise? In this paper, we propose Anything2Skill, a taxonomy-guided framework that compiles heterogeneous external knowledge into reusable, retrievable, and executable skills for agents. Given a corpus of knowledge records, \textsc{Anything2Skill} first decomposes each record into evidence windows and performs plan-and-expand skill extraction under a skill-tree prior. The extracted candidates are then converted into structured skill contracts that specify invocation conditions, contraindications, action moves, workflow steps, constraints, output specifications, supporting evidence, and confidence scores. To construct a deployable procedural memory, Anything2Skill manages the extracted skills in a persistent SkillBank through taxonomy-aware compilation, registry-level reconciliation, lifecycle tracking, versioned updates, and visible skill-tree projection. At inference time, agents retrieve both task-specific passages from the original knowledge base and relevant procedural skills from the SkillBank, allowing RAG to provide declarative evidence while compiled skills provide reusable procedural guidance. Experiments on qsv and GitHub-CLI show that Anything2Skill combined with RAG achieves 98.85\% and 94.10\% success rates, respectively, substantially outperforming RAG-only agents. These results suggest that compiling latent procedural knowledge into explicit skills is an effective way to extend retrieval-augmented agents from knowledge access toward capability reuse.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、エージェントが推論時に外部の知識にアクセスすることを可能にするが、主に断片化された宣言的証拠を回収し、エージェントはパス、マニュアル、例、ログ、トラジェクトリから繰り返しタスク手順を推測する。 外部知識ベースから抽出されたスキルをエージェントに組み込むことで、ドメインの専門知識を迅速に近似することが可能か? 本稿では、異種外部知識を再利用可能な、検索可能な、エージェントのための実行可能なスキルにコンパイルする分類誘導フレームワークであるAnything2Skillを提案する。 知識記録のコーパスが与えられた場合、まず、textsc{Anything2Skill}は各レコードをエビデンスウィンドウに分解し、スキルツリーの前のプラン・アンド・エクスパンドスキル抽出を実行する。 抽出された候補は構造化されたスキルコントラクトに変換され、呼び出し条件、反指標、アクションの動き、ワークフローステップ、制約、出力仕様、エビデンス、信頼性スコアが指定される。 デプロイ可能な手続き型メモリを構築するために、Anything2Skillは、分類基準対応のコンパイル、レジストリレベルの和解、ライフサイクルトラッキング、バージョン管理された更新、そして目に見えるスキルツリーの投影を通じて、永続的なSkillBankで抽出されたスキルを管理する。 推論時に、エージェントは元の知識ベースからタスク固有のパスと関連する手続きスキルをSkillBankから検索し、RAGが宣言的な証拠を提供し、コンパイルされたスキルが再利用可能な手続きガイダンスを提供する。 qsvとGitHub-CLIの実験によると、Anything2SkillとRAGを組み合わせると、それぞれ98.85\%と94.10\%の成功率は、RAGのみのエージェントよりも大幅に向上している。 これらの結果から,潜伏した手続き的知識を明示的なスキルにコンパイルすることは,知識アクセスから能力再利用への検索増強に有効な方法であることが示唆された。

関連論文リスト

• Workflow-to-Skill: Skill Creation via Routing-Workflow-Semantics-Attachments Decomposition [24.535904687887236]
  本稿では,異種間相互作用の証拠から,実演,エージェント軌道,ツールトレース,実行ログなどの自動スキル構築について検討する。 トレースは断片化され、冗長であり、稀だが安全クリティカルな振る舞いを見逃す可能性があるため、トレース・トゥ・スキルの構築は単純な要約タスクではない、と我々は主張する。 W2Sは,トレースをセグメント化し,ローカルスキルドラフトを誘導し,共有構造を整列し,分岐を調整し,証拠と信頼アノテーションを保存しながら冗長性を圧縮するフレームワークである。
  論文  参考訳（メタデータ） (2026-06-05T04:19:57Z)
• COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation [58.84646485020439]
  人為的なAIスキルを生成するための自動トレース・ツー・スキル蒸留システムを提案する。 COLLEAGUE.SKILLは、実践、メンタルモデル、意思決定のための能力トラックと、コミュニケーションスタイル、インタラクションルール、修正履歴のための有界な行動トラックの2つのトラックを持つバージョン付きのスキルパッケージを生成する。
  論文  参考訳（メタデータ） (2026-05-29T12:59:08Z)
• SkillEvolBench: Benchmarking the Evolution from Episodic Experience to Procedural Skills [31.23929961213889]
  大規模言語モデル(LLM)エージェントは、現実世界のタスクを解きながら豊富なエピソード軌道を蓄積する。 SkillEvolBenchは、経験の再利用からスキル形成まで、このステップを評価するための診断ベンチマークである。 現在のエージェントは、しばしばローカルに適応するが、堅牢な再利用可能なスキルを形成することは滅多にない。
  論文  参考訳（メタデータ） (2026-05-22T18:23:31Z)
• SkillGraph: Skill-Augmented Reinforcement Learning for Agents via Evolving Skill Graphs [70.1970574147839]
  有向グラフのノードとして再利用可能なスキルを表現するフレームワークであるSKILLGRAPHを提案する。 SKILLGRAPHは個々のスキルだけでなく、多段階意思決定をガイドできる順序付きスキルサブグラフも取得する。 実験により,SKILLGRAPHはメモリ拡張RL法に対して最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-05-12T12:21:49Z)
• SkillRAE: Agent Skill-Based Context Compilation for Retrieval-Augmented Execution [10.83969404435554]
  大きな言語モデル(LLM)ベースのエージェントは、アーティファクトリッチなタスクを解決するために、再利用可能なスキルライブラリに依存している。 本稿では,スキルベースのコンテキストコンパイルに着目した2段階RAE手法であるSkillRAEを提案する。 2つの公開ベンチマークの実験によると、SkillRAEはRAEの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） (2026-05-11T07:31:48Z)
• 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)
• 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)
• 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。