論文の概要: From Anatomy to Smells: An Empirical Study of SKILL.md in Agent Skills
- arxiv url: http://arxiv.org/abs/2607.01456v1
- Date: Wed, 01 Jul 2026 20:21:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.588847
- Title: From Anatomy to Smells: An Empirical Study of SKILL.md in Agent Skills
- Title（参考訳）: 解剖学からスメルまで : エージェントスキルにおけるSKILL.mdの実証研究
- Abstract要約: 我々は、SKILL.mdファイルをソフトウェアアーティファクトとして初めて体系的に研究した。
上位13と下位44のセマンティック・コンポーネントの分類法を導出する。
我々は、SKILL.mdファイルの99%以上が少なくとも1つのスキルの匂いが含まれていることを発見した。
- 参考スコア（独自算出の注目度）: 4.0191978165144935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent Skills provide on-demand domain knowledge to LLM agents without requiring model retraining. Each Agent Skill is defined by a mandatory SKILL.md file containing metadata and an unstructured Markdown body whose contents are left entirely to the skill author. Despite the rapid adoption of Agent Skills, little is known about how these files are authored or whether existing authoring guidelines are followed in practice. In this paper, we present the first systematic study of SKILL.md files as a software artifact. We qualitatively analyze 238 real-world skills and derive a taxonomy of 13 higher-level and 44 lower-level semantic components. We then conduct a multivocal literature review of 29 sources to identify best practices for authoring SKILL.md files and introduce skill smells as violations of these practices. Finally, we develop an automated detector and apply it to real-world skills, finding that over 99% of SKILL.md files contain at least one skill smell, and once introduced, skill smells rarely disappear as skills evolve. These findings reveal a substantial gap between recommended and actual authoring practices, motivating the development of automated techniques to remediate skill smells while increasing developer awareness of this emerging quality issue.
- Abstract（参考訳）: Agent Skillsは、モデルの再トレーニングを必要とせずに、LLMエージェントにオンデマンドのドメイン知識を提供する。
各エージェントスキルは、メタデータを含む必須のSKILL.mdファイルと、その内容が完全にスキル作者に残されている非構造化マークダウンボディによって定義される。
エージェントスキルの急速な採用にもかかわらず、これらのファイルがどのように作成されているのか、あるいは既存のオーサリングガイドラインが実際に守られているのかについては、ほとんど分かっていない。
本稿では、SKILL.mdファイルをソフトウェアアーティファクトとして初めて体系的に研究する。
我々は、238の現実世界のスキルを質的に分析し、13の上位と44の下位のセマンティックな構成要素の分類を導出する。
SKILL.mdファイルを作成するためのベストプラクティスを特定するため、29の情報源の多言語文献レビューを行い、これらのプラクティスの違反としてスキルの匂いを導入する。
最後に,SKILL.mdファイルの99%に少なくとも1つのスキルの匂いが含まれており,一度導入されるとスキルの匂いは滅多に消える。
これらの結果は、推奨と実際のオーサリングの実践の間に大きなギャップを生じさせ、スキルの臭いを和らげる自動化技術の開発を動機付けつつ、開発者がこの新たな品質問題に対する認識を高めていることを示している。
関連論文リスト
- Who Maintains Agent Skills? A Longitudinal Study of Human-Governed, AI-Assisted Skill Maintenance [10.648969524722448]
最近の研究は、スキルキュレーションの自動化を目指しているが、自動化されたベースラインに対して大きく評価され、人間のメンテナンスは未測定のボトルネックとして扱われる。
2025年10月から2026年6月までの873のコミット、143のスキルファイル、254の実質的なポストクリエーション編集を含む、5つの公開AIスキルレポジトリ、AIツーリング組織のサンプルの完全なコミット履歴を掘り下げました。
まず、すべての実体的編集は、名前のついたヒューマンアカウントを通じて作成またはマージされ、62%は、大きなリポジトリレベルのバリエーションを持つAI共著者トレーラーを担っている。
論文 参考訳（メタデータ） (2026-09-04T19:18:18Z) - Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills [86.15447717549154]
私たちは、スキルを創造し、研究中にそれらを使用する、スキル駆動型研究エージェントであるDisCoを紹介します。
私たちはこの欠落したレイヤの運用知識を、メソッドの知識を機能させるのと分離するノウハウと呼んでいる。
論文 参考訳（メタデータ） (2026-09-02T15:49:41Z) - Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents [0.0]
科学エージェントスキル(Scientific Agent Skills)は、16の領域で163の手順のオープンライブラリである。
各スキルは、バージョン管理されたヒューマン可読な命令ファイルを中心に構築されたディレクトリである。
ドキュメントコーパスの2つの特性を測る。163スキルの常駐記述は、20万のウィンドウの7.1%、ドキュメントワークフローの中央値は23.9%である。
論文 参考訳（メタデータ） (2026-08-30T15:40:35Z) - What Keeps Agent Skills from Being Reusable? Evidence from 138K SKILL.md Files [12.451393173022346]
多くの公開SKILL.mdファイルは単一のタスク、リポジトリ、会話に由来する。
20,556リポジトリから138,133の公開SKILL.mdファイル間でのこのギャップを分析する。
91.8%のスキルには少なくとも1つの検出された欠陥が含まれており、厳密な閾値と厳密な閾値で安定した見積もりがある。
論文 参考訳（メタデータ） (2026-08-09T03:49:30Z) - From Registry to Repository: How AI Agent Skills Are Written, Adapted, and Maintained [13.991357454554949]
筆者らは,AIエージェントのスキルを,著者,再利用,カスタマイズ,維持を行う技術工芸品として,初めて実証的研究を行った。
私たちは5,876のGitHubリポジトリから18,463のスキルと23,199の個人利用スキルをマイニングし、3,709の再利用リンクを特定しました。
ほとんどの再利用されたスキルは、ほぼ最高のままで、53%は採用後に変更されず、その後のローカルメンテナンスは圧倒的に付加的なものである。
論文 参考訳（メタデータ） (2026-07-01T13:14:45Z) - Playful Agentic Robot Learning [108.08954330298549]
本研究では,実演型プログラミングエージェントが,下流のタスクが到着する前に,連続的なスキル学習段階として自己指導型プレイを使用する,遊び型エージェントロボット学習について検討する。
RATは、新しい学習可能な探索タスク、ロボットコードポリシーの計画と実行、中間的な進捗の検証、失敗の診断、密集したステップレベルのフィードバックによる検索、そして成功した実行を永続的なコードスキルライブラリに蒸留することを提案する。
論文 参考訳（メタデータ） (2026-06-17T17:55:23Z) - A Framework for Evaluating Agentic Skills at Scale [0.4509560087514856]
エージェントスキルは構造化され、エージェント能力を増強する再利用可能な知識アーティファクトである。
個々のスキルを評価するための再利用可能な方法論は存在しない。
本稿では,スキルライターが現実的なタスクを構築できる評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-16T11:46:56Z) - SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。
行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。
Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
論文 参考訳（メタデータ） (2026-06-12T08:20:09Z) - 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) - 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) - 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) - Under the Hood of SKILL.md: Semantic Supply-chain Attacks on AI Agent Skill Registry [49.83108591873481]
SKILL.md - エージェントスキルライフサイクルの3つのステージを対象とするアタックのみを調査する。
SKILL.mdは受動的ドキュメントではなく、サードパーティのエージェントが発見し、信頼し、使用する機能を形成する運用テキストであることを示す。
論文 参考訳（メタデータ） (2026-05-12T02:11:54Z) - SkillEvolver: Skill Learning as a Meta-Skill [46.52001686198623]
オンラインスキル学習のための軽量なプラグアンドプレイソリューションである textbfSkillEvolver を提案する。
SkillEvolverの学習対象は、モデルの重みではなく、スキルの散文とコードである。
微量蒸留とは異なり、メタスキルは学習スキルの展開後にのみ洗練される。
論文 参考訳（メタデータ） (2026-05-11T12:58:25Z) - 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) - SoK: Agentic Skills -- Beyond Tool Use in LLM Agents [6.356997609995175]
エージェントシステムは、より確実にロングホライゾンを実行するために、再利用可能な手続き能力、すなわちエージェントスキルに依存している。
本論文は,全ライフサイクルのスキルレイヤ(発見,実践,蒸留,貯蔵,構成,評価,更新)をマッピングする。
我々は、スキルベースのエージェントのセキュリティとガバナンスの影響を分析し、サプライチェーンのリスク、スキルペイロードによるインジェクションの促進、信頼度の高い実行をカバーします。
論文 参考訳（メタデータ） (2026-02-24T13:11:38Z)
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。