論文の概要: Skills Are Not Islands: Measuring Dependency and Risk in Agent Skill Supply Chains
- arxiv url: http://arxiv.org/abs/2607.01136v1
- Date: Wed, 01 Jul 2026 16:21:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.986023
- Title: Skills Are Not Islands: Measuring Dependency and Risk in Agent Skill Supply Chains
- Title（参考訳）: スキルは諸島ではない - エージェントスキル・サプライチェーンの依存性とリスクを測る
- Abstract要約: 我々は,Large Language Model (LLM)エージェントの依存関係のアーティファクトを分析する。
スキルメタデータはアクティベーション対応ですが、ガバナンスが不十分です。
依存関係を継続する際の悪意のあるスキルを特定します。
- 参考スコア（独自算出の注目度）: 4.634532920283801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agent skills package reusable operational knowledge for Large Language Model (LLM) agents, yet as they grow in scope, they become dependency-bearing artifacts whose identities, versions, and provenance remain implicit. This opacity already causes duplicated dependencies and inconsistent installations, exposing a gap that dependency management has yet to close. We introduce Agent Skill Supply Chains (ASSCs) to characterize mixed skill-package-service dependency graphs and help close this gap. Borrowing from Software Bill of Materials (SBOMs), we design SkillDepAnalyzer to capture natural-language dependency evidence and model skills as dependency-bearing artifacts. On the SKILL-DEP benchmark, SkillDepAnalyzer recovers skill metadata and dependency graphs accurately and comprehensively, substantially outperforming an LLM-based baseline and package-centric SBOM tools. Applying SkillDepAnalyzer to over 1.43 million skills, we obtain ASSCs and explore their structural diversity and security signals. We find four structural patterns: skill metadata is activation-ready but governance-poor; dependency graphs span skill, package, and service dependencies with concentrated reuse; recursive skill reuse expands dependency graphs and creates hidden package inventory; and skill dependency clusters form around related workflows. We also find that inspecting a skill alone misses security-relevant signals hiding in its dependencies. By analyzing ASSCs, we identify and report known malicious skills persisting in ASSCs to their developers. Based on these findings, we recommend typed dependency manifests, first-class dependency-cluster management, risk-warning audit commands for skill infrastructure maintainers, and lockfile-like records for skill developers.
- Abstract（参考訳）: エージェントスキルは、Large Language Model (LLM)エージェントのための再利用可能な運用知識をパッケージ化する。
この不透明さは、既に重複した依存関係と一貫性のないインストールを引き起こしており、依存関係管理がまだクローズしていないギャップを露呈している。
我々は、混在するスキルパッケージ・サービス依存グラフを特徴付けるために、エージェントスキルサプライチェーン(ASSC)を導入し、このギャップを埋めます。
Software Bill of Materials (SBOMs)から引用して、我々はSkillDepAnalyzerを設計し、自然言語による依存性の証拠とモデルスキルを依存性を持つアーティファクトとして捉えます。
SKILL-DEPベンチマークでは、SkillDepAnalyzerはスキルメタデータと依存性グラフを正確かつ包括的に回収し、LCMベースのベースラインとパッケージ中心のSBOMツールを大幅に上回っている。
SkillDepAnalyzerを143万以上のスキルに適用し、ASSCを取得し、それらの構造的多様性とセキュリティ信号を調査します。
スキルメタデータはアクティベーション対応ですが、ガバナンスが不十分、依存性グラフはスキル、パッケージ、サービス依存にまたがり、集中的な再利用、再帰的なスキル再利用は依存性グラフを拡張し、隠されたパッケージの在庫を作成する、スキル依存クラスタは関連するワークフローの周りに形成されます。
また、スキルの検査だけでは、依存関係に隠されているセキュリティ関連信号が見逃されていることもわかりました。
ASSCを解析することにより、ASSCに潜んでいる既知の悪意のあるスキルを開発者に対して発見・報告する。
これらの結果に基づいて、型付き依存関係マニフェスト、ファーストクラスの依存性クラスタ管理、スキルインフラストラクチャメンテナのリスク警告監査コマンド、スキル開発者のためのロックファイルライクなレコードを推奨する。
関連論文リスト
- 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) - Cross-Layer Misalignment Detection in Agent Skills: A Progressive Loading-Aware Contrastive Learning Approach [12.79484512803839]
大規模言語モデル(LLM)エージェントはエージェントスキルによってますます拡張される。
オープンソースのスキルマーケットプレースが拡大するにつれて、ユーザやエージェントは、簡単なメタデータをサードパーティのスキルに頼っている。
階層間ミスアライメントを検出するためのPL-HCL(Progressive Loading-Aware Hierarchical Contrastive Learning)を提案する。
論文 参考訳（メタデータ） (2026-07-12T02:07:37Z) - From Knowing to Acting: Benchmarking Self-Awareness Capability of LLM Agents [69.07911499189129]
エージェントのメタ認知判断(Knowing)を自発的実行(Acting)から切り離して認知行動アライメントを評価するフレームワークであるKAPROを紹介する。
実験の結果,自己認識能力はタスク成功と強く相関するが,内部能力設定では著しく低下することがわかった。
プロプライエタリで推論指向のモデルは、より信頼性の高い認知ゲーティングを示します。
論文 参考訳（メタデータ） (2026-06-09T17:17:08Z) - 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) - 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) - Ace-Skill: Bootstrapping Multimodal Agents with Prioritized and Clustered Evolution [57.04954428528267]
我々は,自己進化型マルチモーダルエージェントのためのロールアウトアロケーションと知識組織を共同で最適化する,共同進化型フレームワークであるAce-Skillを紹介する。
Ace-Skillは、プライオリティ化されたサンプルと遅延分解能のトラッキングを組み合わせることで、情報的かつ十分にマスターされたサンプルにロールアウトを集中させる。
サンプリングと組織化を改善することで、Ace-Skillは自己進化を、より情報に富んだロールアウトが高品質な知識を生み出す、活発なサイクルに変えます。
論文 参考訳（メタデータ） (2026-05-09T11:12:54Z) - SkillX: Automatically Constructing Skill Knowledge Bases for Agents [27.56549031749266]
SkillXは、プラグアンドプレイのスキル知識ベースを構築するための、完全に自動化されたフレームワークである。
3つのシナジスティックなイノベーションに基づいて構築された、完全に自動化されたパイプラインを通じて運用される。
実験の結果、SkillKBは、より弱いベースエージェントにプラグインされた場合、タスクの成功と実行効率を一貫して改善している。
論文 参考訳（メタデータ） (2026-04-06T16:09:33Z) - Automating Skill Acquisition through Large-Scale Mining of Open-Source Agentic Repositories: A Framework for Multi-Agent Procedural Knowledge Extraction [20.467661664708086]
本報告では,オープンソースリポジトリのマイニングによる高品質エージェントスキルの自動獲得の枠組みについて検討する。
我々は,TheoremExplainAgentやCode2Videoなどの最先端システムから,可視化と教育能力の抽出に重点を置いている。
エージェントリポジトリからの体系的抽出と厳密なセキュリティガバナンスと多次元評価指標を組み合わせることで、手続き的知識のスケーラブルな獲得が可能になることを実証する。
論文 参考訳（メタデータ） (2026-03-12T11:10:13Z) - Agent Skills for Large Language Models: Architecture, Acquisition, Security, and the Path Forward [5.124116559484265]
モノリシックな言語モデルからモジュール化された、スキルを持ったエージェントへの移行は、大規模言語モデル(LLM)の実際のデプロイ方法に決定的な変化をもたらす。
すべての手続き的知識をモデルウェイト内にエンコードするのではなく、エージェントスキルは、再トレーニングせずに動的機能拡張を可能にする。
この調査は、エージェントスキルのランドスケープを包括的に扱うもので、ここ数ヶ月で急速に進化してきた。
論文 参考訳（メタデータ） (2026-02-12T21:33:25Z) - 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) - Agent Skills: A Data-Driven Analysis of Claude Skills for Extending Large Language Model Functionality [9.192260493061754]
エージェントスキルは、再利用可能なプログラムのようなモジュールで大きな言語モデル(LLM)エージェントを拡張する。
主要なマーケットプレースから40,285の公開スキルを大規模かつデータ駆動で分析する。
以上の結果から,コミュニティの注目度の変化を追及する短時間でスキルパブリッシュが発生する傾向が示唆された。
論文 参考訳（メタデータ） (2026-02-08T15:14:12Z) - RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。
RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。
RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
論文 参考訳（メタデータ） (2023-10-25T03:53:31Z)
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。