論文の概要: Compositional Skill Routing for LLM Agents: Decompose, Retrieve, and Compose

• arxiv url: http://arxiv.org/abs/2606.18051v1
• Date: Tue, 16 Jun 2026 15:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.510522
• Title: Compositional Skill Routing for LLM Agents: Decompose, Retrieve, and Compose
• Title（参考訳）: LLM剤の合成スキルルーティング:分解,回収,合成
• Authors: Xueping Gao,
• Abstract要約: LLMタスクデコンポスタ、FAISSインデックス付きバイエンコーダスキルレトリバー、依存性対応DAGプランナを組み合わせた分解・検索・構成フレームワークであるSkillWeaverを提案する。 SkillWeaverはコンテキストウィンドウの消費を99%以上削減し,転送実験により一般化を確認した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LLM agents increasingly rely on external skills -- reusable tool specifications -- but real-world tasks often require composing multiple skills, not just selecting one. We formalize this as the Compositional Skill Routing problem: given a complex user query and a large skill library, decompose the query into atomic sub-tasks, retrieve the appropriate skill for each sub-task, and compose an executable plan. We present SkillWeaver, a decompose-retrieve-compose framework combining an LLM task decomposer, a bi-encoder skill retriever with FAISS indexing, and a dependency-aware DAG planner. To support evaluation, we introduce CompSkillBench, a benchmark of 300 compositional queries over 2,209 real MCP server skills spanning 24 functional categories, sourced from the public MCP ecosystem. Our experiments reveal that task decomposition quality is the primary bottleneck: standard LLM decomposition reaches only 34.2% category recall at the step level. To address this, we propose Iterative Skill-Aware Decomposition (SAD), a retrieval-augmented feedback loop that iteratively aligns decomposition with available skills. SAD improves decomposition accuracy from 51.0% to 67.7% (+32.7%, Wilcoxon p < 10^-6) in a single iteration; DA-conditioned analysis confirms that correct granularity is the prerequisite for effective retrieval (CatR@1 rises from 34% to 41% when DA=1). SkillWeaver reduces context window consumption by over 99%, and transfer experiments confirm generalization (+35.6% relative DA gain even when target categories are absent from the retrieval pool).
• Abstract（参考訳）: LLMエージェントは、ますます外部スキル -- 再利用可能なツール仕様 -- に依存していますが、現実のタスクは、選択するだけでなく、複数のスキルを構成する必要があります。 複雑なユーザクエリと大規模なスキルライブラリが与えられ、クエリをアトミックなサブタスクに分解し、各サブタスクの適切なスキルを検索し、実行可能なプランを作成する。 LLMタスクデコンポスタ、FAISSインデックス付きバイエンコーダスキルレトリバー、依存性対応DAGプランナを組み合わせた分解・検索・構成フレームワークであるSkillWeaverを提案する。 評価を支援するために、パブリックMPPエコシステムから得られた24の機能カテゴリにまたがる2,209の実際のMPPサーバスキルに対する300のコンポジションクエリのベンチマークであるCompSkillBenchを紹介した。 LLMの標準的な分解は、ステップレベルでは34.2%のカテゴリリコールにしか達しません。 そこで本研究では,反復的スキル認識分解(Iterative Skill-Aware Decomposition,SAD)を提案する。 SADは1回の反復で分解精度を51.0%から67.7%(+32.7%、Wilcoxon p < 10^-6)に改善する。 SkillWeaverは、コンテキストウィンドウの消費を99%以上削減し、転送実験により一般化が確認される(検索プールからターゲットカテゴリが存在しない場合でも、相対DAが35.6%向上する)。

関連論文リスト

• SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
  本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。 各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。 ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
  論文  参考訳（メタデータ） (2026-06-02T02:45:21Z)
• SearchSkill: Teaching LLMs to Use Search Tools with Evolving Skill Banks [32.240602087886494]
  本稿では,再利用可能な検索スキルによってクエリ計画を明確にするフレームワークを提案する。 オープンソースモデルとクローズドソースモデル全体で、SearchSkillは知識集約型QAベンチマークの正確なマッチを改善している。 これらの結果は、明示的なスキル条件付きクエリプランニングが、未分化のアクションとして検索を扱うための軽量な代替手段であることを示唆している。
  論文  参考訳（メタデータ） (2026-05-09T16:23:54Z)
• APEX-EM: Non-Parametric Online Learning for Autonomous Agents via Structured Procedural-Episodic Experience Replay [7.370176470430802]
  LLMベースの自律エージェントは、永続的な手続き記憶を欠いている。 我々は,構造化手続き計画の蓄積,検索,再利用を行う非パラメトリックオンライン学習フレームワークであるAPEX-EMを提案する。
  論文  参考訳（メタデータ） (2026-03-31T00:24:56Z)
• SkillRouter: Skill Routing for LLM Agents at Scale [18.540967600258607]
  ユーザタスクが与えられたら、システムは、下流の計画や実行の前に、関連するスキルを特定する必要がある。 既存のエージェントスタックはプログレッシブな開示に依存しており、完全な実装ボディを隠蔽しながら、スキル名と記述のみを公開する。 1.2Bのコンパクトなフルテキスト検索/参照パイプラインであるSkillを提示する。
  論文  参考訳（メタデータ） (2026-03-23T18:23:59Z)
• Organizing, Orchestrating, and Benchmarking Agent Skills at Ecosystem Scale [28.43462779191672]
  AgentSkillOSは、スキル選択、オーケストレーション、エコシステムレベルの管理のための原則化されたフレームワークである。 AgentSkillOSには2つのステージがある。 (i) スキルを機能ツリーに整理する管理スキル。 (ii) DAGベースのパイプラインを通じて複数のスキルを検索し、オーケストレーションし、実行するタスクの解決。
  論文  参考訳（メタデータ） (2026-03-02T18:46:47Z)
• SAGE: Benchmarking and Improving Retrieval for Deep Research Agents [60.53966065867568]
  SAGEは4つの科学領域にわたる1200のクエリからなる科学文献検索のためのベンチマークであり、20万の論文検索コーパスを備える。 6つのディープ・リサーチ・エージェントを評価し,全てのシステムが推論集約的な検索に苦しむことを発見した。 BM25は、既存のエージェントがキーワード指向のサブクエリを生成するため、LLMベースのレトリバーを約30%上回っている。
  論文  参考訳（メタデータ） (2026-02-05T18:25:24Z)
• Task-Aware LoRA Adapter Composition via Similarity Retrieval in Vector Databases [3.4869850730657728]
  本稿では,ベクトルデータベースにおける類似性検索を利用した動的LoRAアダプタ合成のための新しいフレームワークを提案する。 提案手法は,22種類のコモンセンス推論,質問応答,自然言語推論,感情分析などの学習例を組み込んで,タスク認識ベクトルデータベースを構築する。 我々のフレームワークは、追加のレトリバートレーニングを必要とせず、凍結埋め込みで動作し、効率的で解釈可能なアダプタ構成を可能にする。
  論文  参考訳（メタデータ） (2026-02-01T22:20:04Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• LoRA Soups: Merging LoRAs for Practical Skill Composition Tasks [73.09643674975591]
  Low-Rank Adaptation (LoRA)は、大規模言語モデル(LLM)のパラメータ効率の高い微調整手法である。 異なるLoRAモジュールをマージして,スキルコンポジションを実現する方法について検討する。
  論文  参考訳（メタデータ） (2024-10-16T20:33:06Z)

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。