論文の概要: SKILL-DISCO: Distilling and Compiling Agent Traces into Reusable Procedural Skills
- arxiv url: http://arxiv.org/abs/2606.26669v1
- Date: Thu, 25 Jun 2026 07:02:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.189494
- Title: SKILL-DISCO: Distilling and Compiling Agent Traces into Reusable Procedural Skills
- Title（参考訳）: SKILL-DISCO: 試薬の蒸留・補修技術
- Abstract要約: SkillDisCoは、再利用可能なPFSMサブグラフを、成功したトレースから蒸留し、呼び出し可能、実行可能、検証可能な手続きスキルにコンパイルするフレームワークである。
ALFWorldとWebArenaの実験によると、SkillDisCoは成功率を改善し、ベンチマークやモデルスケールを越えたエージェントターンを減らす。
- 参考スコア（独自算出の注目度）: 4.661552076545078
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agents often repeatedly solve similar task instances from scratch, leading to unnecessary reasoning cost and long execution traces. Prior work has explored workflow reuse and executable skill induction, but it remains unclear which task scenarios admit procedural skills and how the shared procedural structure should be represented across successful traces. We study this problem in FSM-defined scenarios, where successful traces can be viewed as paths in an unknown transition graph, and formulate procedural skills as reusable parameterized control-flow subgraphs. Based on this view, we introduce SkillDisCo, a distillation-and-compilation framework that distills reusable PFSM subgraphs from successful traces and compiles them into callable, executable, and verifiable procedural skills. Experiments on ALFWorld and WebArena show that SkillDisCo improves success rates and reduces agent turns across benchmarks and model scales, demonstrating the benefits of representing shared experience as reusable execution structures.
- Abstract（参考訳）: エージェントは、しばしば同様のタスクインスタンスをスクラッチから繰り返し解決し、不要な推論コストと長い実行トレースをもたらす。
以前の作業では、ワークフローの再利用と実行可能なスキル誘導について検討されてきたが、どのタスクシナリオが手続き的なスキルを許容するか、そして、共有された手続き構造が成功したトレース間でどのように表現されるべきかは、まだ不明である。
本研究では,この問題をFSM定義シナリオで検討し,未知の遷移グラフのパスとしてトレースを確認でき,プロシージャスキルを再利用可能なパラメータ化制御フローサブグラフとして定式化する。
この観点から、再利用可能なPFSMサブグラフを抽出し、それを呼び出し可能で実行可能で検証可能な手続きスキルにコンパイルする蒸留・コンパイルフレームワークであるSkillDisCoを紹介する。
ALFWorldとWebArenaの実験によると、SkillDisCoは成功率を改善し、エージェントのターンをベンチマークとモデルスケールで削減し、再利用可能な実行構造として共有エクスペリエンスを表現するメリットを示している。
関連論文リスト
- Trace2Tower: Transition-Aware EigenTrace Induction of Multi-Level Skills for LLM Agents [8.640998417745086]
Trace2Towerは、トランスフォーメーション対応のEigenTraceフレームワークで、生の軌跡を堅牢なスキル階層に蒸留する。
新たなコントラストスペクトル分解により、安定で成功に順応した動作モードを分離すると同時に、故障を起こしやすいショートカットを厳格に抑制する。
ALFWorldでは、Trace2Towerは87.31%の成功を達成し、10.35ステップと0.26の無効なアクションしか必要とせず、WebShopでは50.67%の精度で成功している。
論文 参考訳（メタデータ） (2026-09-04T15:22:39Z) - EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。
EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。
さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
論文 参考訳（メタデータ） (2026-08-05T08:50:36Z) - Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents [27.965275812765015]
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。
論文 参考訳（メタデータ） (2026-06-08T10:24:32Z) - 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) - ProcMEM: Learning Reusable Procedural Memory from Experience via Non-Parametric PPO for LLM Agents [31.24386037416211]
LLM駆動のエージェントは、繰り返し発生するシナリオにおいても、オンザフライの推論、再帰的なソリューションに依存していることが多い。
この経験の再利用が不十分なため、計算冗長性と実行不安定性が生じる。
本稿では,プロシージャメモリをパラメータ更新なしに対話体験から自律的に学習するフレームワークであるProcMEMを提案する。
論文 参考訳（メタデータ） (2026-02-02T09:43:12Z) - PADME: Procedure Aware DynaMic Execution [7.8148770419284865]
本稿では,プロシージャをグラフベースで表現するエージェントフレームワークであるPADME(Process Aware DynaMic Execution)を紹介する。
手動グラフ構築や非構造化推論に依存する以前の作業とは異なり、PADMEは手続き的テキストを自動で実行可能なグラフに変換する。
PADMEは、ALFWorldとScienceWorldを含む4つの異なるベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-10-13T11:15:49Z) - Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - Watch Every Step! LLM Agent Learning via Iterative Step-Level Process Refinement [50.481380478458945]
反復的なステップレベルプロセスリファインメント(IPR)フレームワークは、エージェントトレーニングを強化するためのステップバイステップのガイダンスを提供する。
3つの複雑なエージェントタスクに関する我々の実験は、我々のフレームワークが様々な強力なベースラインより優れていることを示した。
論文 参考訳（メタデータ） (2024-06-17T03:29:13Z) - SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution [75.2573501625811]
拡散モデルは、ロボット軌道計画の強力な可能性を示している。
高レベルの命令からコヒーレントな軌道を生成することは依然として困難である。
エンド・ツー・エンドの階層的計画フレームワークであるSkillDiffuserを提案する。
論文 参考訳（メタデータ） (2023-12-18T18:16:52Z) - Chain of Thought Imitation with Procedure Cloning [129.62135987416164]
本稿では,一連の専門家計算を模倣するために,教師付きシーケンス予測を適用したプロシージャクローニングを提案する。
本研究では、専門家の行動の中間計算を模倣することで、プロシージャのクローン化により、未知の環境構成に顕著な一般化を示すポリシーを学習できることを示す。
論文 参考訳（メタデータ） (2022-05-22T13:14:09Z)
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。