論文の概要: SkillSelect-Serve: QoS-Aware Budgeted Skill Service Recommendation for LLM Agents
- arxiv url: http://arxiv.org/abs/2607.00011v2
- Date: Tue, 14 Jul 2026 05:16:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.967475
- Title: SkillSelect-Serve: QoS-Aware Budgeted Skill Service Recommendation for LLM Agents
- Title（参考訳）: SkillSelect-Serve: LLMエージェントのためのQoS対応予算型スキルサービス勧告
- Abstract要約: 再利用可能なエージェントスキルは、Large Language Model (LLM)エージェントのサービス指向機能レイヤとして登場しています。
既存のTop-kメソッドは、テキスト関連性によってスキルをランク付けし、要求満足度、納品可能性、運用上の制約を見落としている。
予算制約のあるスキルサービスレコメンデーションフレームワークであるSkillSelect-Serveを紹介します。
- 参考スコア（独自算出の注目度）: 22.742669807735254
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reusable agent skills are emerging as a service-oriented capability layer for Large Language Model (LLM) agents. Unlike plain retrieval items, a skill exposes functional capabilities, input-output assumptions, tool dependencies, context cost, and risk metadata. Selecting skills is particularly challenging for small LLM agents, which can load only a few capability units under restricted context, tool availability, and risk tolerance. Existing fixed Top-k methods rank skills by textual relevance and overlook requirement satisfaction, deliverability, and operational constraints. We present SkillSelect-Serve, a QoS-aware, budget-constrained Skill Service recommendation framework. Raw skills are profiled as structured Skill Services, the task is converted into a structured requirement object, and candidates discovered from a large-scale registry are ranked by a calibrated task-conditioned suitability estimator and packed by a constrained projection enforcing token-budget, aggregated-risk, and tool-availability constraints, using only deployment-observable features. On a registry of 35,353 skills with pooled multi-positive relevance judgments verified by two independent assessors, the unconstrained top-5 recommendation fits a realistic 4,000-token context for only 9.1% of tasks; the constrained projection restores 100% deliverability at a cost of only 1.14 points of hit rate, outperforming retrieve-and-rerank, budget truncation, and diversity-based selection under identical budgets. The same mechanism halves delivered risk exposure and eliminates the 44-81% tool-violation rates of tool-agnostic recommendation. At an identical three-service budget, hit rate improves from 0.8864 to 0.9091 over fixed Top-3 retrieval. The results support managing reusable agent skills as discoverable, comparable, and constraint-aware service units instead of plain retrievable documents.
- Abstract（参考訳）: 再利用可能なエージェントスキルは、Large Language Model (LLM)エージェントのサービス指向機能レイヤとして登場しています。
通常の検索項目とは異なり、スキルは機能機能、入力出力仮定、ツール依存、コンテキストコスト、リスクメタデータを公開する。
小さなLLMエージェントでは、制限されたコンテキスト、ツールの可用性、リスク耐性の下でいくつかの機能ユニットだけをロードできるため、スキルの選択は特に難しい。
既存のTop-kメソッドは、テキスト関連性によってスキルをランク付けし、要求満足度、納品可能性、運用上の制約を見落としている。
我々はQoS対応の予算制約付きスキルサービスレコメンデーションフレームワークであるSkillSelect-Serveを紹介する。
タスクは構造化された要件オブジェクトに変換され、大規模レジストリから発見された候補は、キャリブレーションされたタスク条件適合性推定器によってランク付けされ、トークン予算、集約リスク、ツール可用性制約を強制する制約付きプロジェクションによって充填される。
2つの独立した評価者によって検証された、プールされた多陽性関連判断を持つ35,353のスキルのレジストリでは、制約のないトップ5勧告は、タスクのわずか9.1%で、現実的な4,000トーケンのコンテキストに適合する。
同じメカニズムはリスクにさらされ、ツールに依存しない推奨の44～81%のツール違反率を排除する。
同じ3サービス予算で、Top-3検索よりもヒット率が0.8864から0.9091に向上する。
その結果、検索可能なドキュメントではなく、発見可能な、同等の、制約対応のサービスユニットとして、再利用可能なエージェントスキルの管理がサポートされた。
関連論文リスト
- COBRA-Skills: Contextual Bandit-Guided Evolution for Agent Skill Optimization [55.60171725587438]
大規模言語モデル(LLM)エージェントは、以前のタスク経験から抽出した再利用可能なスキルの恩恵を受けることができる。
既存のスキル最適化手法は、コストのかかる実行ベースの評価と実質的なタスクデータに依存していることが多い。
動的に進化する候補空間上での予算付き逐次最適化としてスキル最適化を定式化する効率的なフレームワークである textbfCOBRA-Skills を導入する。
論文 参考訳（メタデータ） (2026-09-10T15:12:24Z) - Beyond Top-$k$ Skill Retrieval: Diversity-Aware Skill Routing for LLM Agents [79.02474149053074]
多様性を意識したリグレードフレームワークであるDiverse Skill Routing (DSR)を提案する。
DSRは冗長なスキルオーバーラップを罰し、共有クエリ関連性のみに起因する罰則を減らします。
Skillルーティングベンチマークでは、DSRは強力なポイントワイドのベースラインに対してリコールとフルカバレッジを改善している。
論文 参考訳（メタデータ） (2026-09-05T02:39:28Z) - Coalition-Aware Skill Reliability for Self-Evolving Agents [49.43736235959317]
エージェントのスキルバンクに蓄積したスキルが、実際にポジティブなメカニスティックな貢献をするかどうかを検討する。
銀行レベルが上昇する連立政権の公害は、負の連立政権レベルのスキル貢献を隠蔽し、クロスドメイン・ユーティリティ・リバーサル(クロスドメイン・リヴァーサル)であり、ソース・ベネシカル・スキルが移転後の効果を逆転させることを示している。
これらの知見は, スキル蓄積時の連帯認識スキル選択と, 移行後のラベルフリースキルマスキングの2つの信頼性介入の動機となった。
論文 参考訳（メタデータ） (2026-08-23T21:35:22Z) - Optimal Skill Selection for LLM Agents with Provable Bicriteria Guarantees [36.31894794808421]
現在のエージェントは独立してスキルを獲得し、セットをトップ$kまたはgreedyパッキングで組み立てる。
最適化問題として,選択したスキルセットの実行結果とキャストスキルの選択方法の第一モデルを提案する。
我々は単調な時間アルゴリズムであるBest Prefix Selection(BPS)を開発し、スキル選択における最初の性能保証である知識を証明する。
論文 参考訳（メタデータ） (2026-08-20T13:08:17Z) - Agent Skills Can Be Harmful: An Empirical Study of Skill-Induced Failures in LLM Agents [9.71657681051469]
本稿では,タスクの失敗とコストの低下を特定の負荷スキルにもたらすことによって,スキルが引き起こすエージェントの失敗を包括的に分析する。
我々はSkillsBenchとSWE-Skills-Benchでこのフレームワークをインスタンス化し、125の機能障害と182の効率低下を含む307のスキル誘発障害を発生させる。
安全で低コストなスキル再利用のための研究トピックとツールの改善を提案する。
論文 参考訳（メタデータ） (2026-08-12T10:15:19Z) - SkillAudit: From Fixed-Suite Benchmarking to Skill-Centered Assessment [10.850946672552277]
スキル中心アセスメントのためのエンドツーエンドフレームワークであるSkillAuditを紹介します。
実用性、効率/コスト、安全性にまたがる包括的多次元評価レポートを生成する。
トップランクの現実世界のスキルパッケージをスキャンした結果、スキルの7%以上が危険な状態にあることがわかった。
論文 参考訳（メタデータ） (2026-06-21T17:40:05Z) - What Should a Skill Remember? Quality--Cost Trade-offs in Cost-Aware Skill Rewriting for Language Model Agents [58.87681796862133]
我々は経済的なレンズを通してスキルの書き直しを勉強する。
我々のフレームワークは、情報保存戦略を用いて、スキル構造をプロファイルし、スキルを書き換える。
SkillsBenchの実験は、戦略間の異なる品質とコストのトレードオフを明らかにしている。
論文 参考訳（メタデータ） (2026-06-08T12:36:51Z) - 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) - MIND-Skill: Quality-Guaranteed Skill Generation via Multi-Agent Induction and Deduction [28.841138131026415]
MINDスキル(MIND-Skill, MIND-Skill, MIND-Skill, MIND-Skill, MIND-Skill, MIND-Skill, MIND-Skill, MIND-Skill)を提案する。
AppWorldとBFCL-v3の実験では、MIND-Skillは同時スキル生成方法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2026-05-09T04:15:57Z) - Skill Retrieval Augmentation for Agentic AI [28.71123853744993]
既存のエージェントシステムでは、スキルを取り入れるための主要な戦略は、コンテキストウィンドウ内で利用可能なスキルを列挙することである。
本稿では,SRA(Skill Retrieval Augmentation, SRA)を定式化し, エージェントが要求に応じて外部スキルコーパスから適切なスキルを動的に取得し, 取り入れ, 適用する新しいパラダイムについて述べる。
SRA-Benchは、完全なSRAパイプラインの評価のための最初のベンチマークであり、スキル検索、スキルの取り込み、エンドタスクの実行をカバーしている。
論文 参考訳（メタデータ） (2026-04-27T15:19:59Z) - How Well Do Agentic Skills Work in the Wild: Benchmarking LLM Skill Usage in Realistic Settings [29.3744517703302]
本研究は,段階的に挑戦的な現実的な環境下でのスキルユーティリティの総合的研究である。
その結果、設定がよりリアルになるにつれて、パフォーマンスは一貫して低下することがわかった。
クエリ固有の改善は、初期スキルが合理的な妥当性と品質を持つ場合に、性能を著しく回復することを示す。
論文 参考訳（メタデータ） (2026-04-06T00:10:30Z) - SWE-Skills-Bench: Do Agent Skills Actually Help in Real-World Software Engineering? [27.583012125198568]
SWE-Skills-Benchは、現実のソフトウェア工学におけるエージェントスキルの限界効用を分離する最初の要件駆動ベンチマークである。
49の公開SWEスキルと、特定のコミットにピン留めされた本物のGitHubリポジトリと、明確な受け入れ基準を持つ要件ドキュメントをペアリングする。
以上の結果から,スキルインジェクションのメリットは,迅速な採用よりもはるかに限定的であることが示唆された。
論文 参考訳（メタデータ） (2026-03-16T15:16:31Z) - Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
Intrinsic Reward Matching (IRM) を提案する。
IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
論文 参考訳（メタデータ） (2022-10-14T00:04:49Z)
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。