論文の概要: Generative Skill Composition for LLM Agents

• arxiv url: http://arxiv.org/abs/2606.32025v1
• Date: Tue, 30 Jun 2026 17:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.34535
• Title: Generative Skill Composition for LLM Agents
• Title（参考訳）: LLM剤の創製技術
• Authors: Xinyu Zhao, Zhen Tan, Vaishnav Tadiparthi, Nakul Agarwal, Kwonjoon Lee, Ehsan Moradi Pari, Hossein Nourkhiz Mahjoub, Tianlong Chen,
• Abstract要約: LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。 スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。 本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
• 参考スコア（独自算出の注目度）: 58.47191648555256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent LLM agents benefit from skills for solving complex tasks. Skills encapsulate modular packages of procedural knowledge and instructions for performing specialized tasks, such as setting up a sandboxed environment, running a test suite, or refactoring a function across multiple files. As skill libraries grow and become reusable across tasks and domains, selecting an appropriate skill composition has emerged as a central bottleneck. Existing approaches fall into two categories. One exposes the agent's reasoning to the entire skill collection; the other performs skill retrieval via embeddings or LLM-based rerankers. Both provide useful insights; however, they miss the structural nature of skill composition, which is a joint decision over which skills, how many, and in what order -- three dimensions that cannot be decoupled. We formalize this as structured skill composition: given a task and a skill library, predict an executable skill plan that jointly specifies the activated subset, count, and execution order. We propose SkillComposer, which instantiates structured skill composition as task-conditioned skill sequence prediction. SkillComposer uses a constrained autoregressive decoder over skill identifiers, so subset, count, and order emerge jointly from a single decoding pass, and dependencies between successive skills are captured naturally. We build a training set of task-composition pairs from a real, human-curated skill library. We then evaluate SkillComposer along two axes: composition quality on a held-out test set, and downstream task success on SkillsBench across two production-grade coding agents. On GPT-5.2-Codex, Gemini-3-Pro-Preview, SkillComposer raises the pass rate by +23.1, +18.2pp over the no-skill baseline, surpassing top-3 retrieval and matching the gold-skill retrieval upper bound at lower prompt-token cost.
• Abstract（参考訳）: 最近のLLMエージェントは、複雑なタスクを解くためのスキルの恩恵を受けている。 Skillsは、サンドボックス環境のセットアップ、テストスイートの実行、複数のファイル間の関数のリファクタリングなど、特別なタスクを実行するための手続き的な知識と指示のモジュールパッケージをカプセル化する。 スキルライブラリが成長し、タスクやドメイン間で再利用されるにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れています。 既存のアプローチは2つのカテゴリに分類される。 1つはエージェントの推論をスキルコレクション全体に公開し、もう1つは埋め込みやLLMベースのリランカを通じてスキル検索を行う。 しかし、両者はスキル構成の構造的性質を見逃し、どのスキル、何個、どの順番で -- 切り離せない3次元 -- を共同で決定する。 タスクとスキルライブラリが与えられたら、アクティベートされたサブセット、カウント、実行順序を共同で指定する実行可能なスキルプランを予測します。 本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。 SkillComposerは、スキル識別子上の制約付き自己回帰デコーダを使用するため、サブセット、カウント、オーダーが単一のデコードパスから共同で現れ、連続するスキル間の依存関係が自然にキャプチャされる。 実際の人為的なスキルライブラリからタスク構成ペアのトレーニングセットを構築します。 次に、SkillComposerを2つの軸に沿って評価する: ホールドアウトテストセットにおける合成品質と、SkillsBenchにおける2つのプロダクショングレードコーディングエージェントによるダウンストリームタスク成功。 GPT-5.2-Codex、Gemini-3-Pro-Previewでは、SkillComposerはno-skillベースラインを+23.1, +18.2ppで上回り、トップ3検索を上回り、金のスキル検索上限を低速で設定する。

関連論文リスト

• SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
  エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。 現在の技術構築手法は、問題を一発抽出として扱う。 本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T12:16:08Z)
• SkillsInjector: Dynamic Skill Context Construction for LLM Agents [16.631471381875816]
  既存の方法では、静的なステップとしてスキルインジェクションを扱い、一定の基準でスキルを選択し、事前に予算を固定し、説明をそのまま残します。 本稿では,これらの決定に共同で対処する2段階適応手法であるSkillsInjectorを提案する。 Tau2-bench、SkillsBench、ALFWorldで、SkillsInjectorは最強のベースラインを3.9点、6.1点、7.3ポイント改善した。
  論文  参考訳（メタデータ） (2026-05-28T11:44:32Z)
• 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)
• 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)
• 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)

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。