論文の概要: HiSkill: Empowering LLM Agents with Hierarchical Skill Graphs

• arxiv url: http://arxiv.org/abs/2607.25853v1
• Date: Tue, 28 Jul 2026 15:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.898446
• Title: HiSkill: Empowering LLM Agents with Hierarchical Skill Graphs
• Title（参考訳）: HiSkill: 階層的なスキルグラフによるLLMエージェントの強化
• Abstract要約: HiSkillは階層的なスキルグラフフレームワークで、インタラクショントラジェクトリを、スキルノード、AtomicOpノード、型付きエッジを備えた有向グラフに整理する。 再利用可能な高レベルのスキルと実行可能なアクションテンプレートを接続し、分解、時間的遷移、互換性、サポート、リカバリの関係をキャプチャする。 実験によると、HiSkillは推論トークンの消費を減らしながら、最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 27.33052401264838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skills have become an important abstraction for enabling large language model (LLM) agents to reuse past experience in long-horizon interactive tasks. However, existing trajectory-to-skill methods often produce flat collections of high-level textual skills that are stored and retrieved independently, leaving skill relations underutilized and maintaining a gap between high-level skills and executable actions. In this paper, we propose HiSkill, a hierarchical skill graph framework that organizes interaction trajectories into a directed graph with skill nodes, AtomicOp nodes, and typed edges. Specifically, the graph connects reusable high-level skills with executable action templates, while also capturing decomposition, temporal transition, compatibility, support, and recovery relations among them. At inference time, HiSkill retrieves a compact task-relevant subgraph and performs subgraph-guided task execution, where a symbolic task state, an active skill, and the retrieved subgraph guide the LLM agent to switch skills, select AtomicOps, and ground executable actions iteratively. Experiments on three interactive environments show that HiSkill outperforms state-of-the-art baselines while reducing inference token consumption, demonstrating the effectiveness of bridging high-level skills and executable action grounding through a hierarchical skill graph. Our data and code is available at https://github.com/BUPT-GAMMA/HiSkill.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントが長時間の対話タスクにおいて過去の経験を再利用できるようにする上で、スキルは重要な抽象化となっている。 しかし,既存のトラジェクトリ・トゥ・スキルの手法は,個別に保存・検索する高レベルのテキストスキルのフラットコレクションを生成することが多く,スキル関係は未活用であり,高レベルのスキルと実行可能なアクションのギャップを保っている。 本稿では,階層的なスキルグラフフレームワークであるHiSkillを提案する。これは,インタラクショントラジェクトリを,スキルノード,AtomicOpノード,型付きエッジを備えた有向グラフに整理する。 具体的には、再利用可能な高レベルスキルと実行可能なアクションテンプレートを結びつけ、分解、時間的遷移、互換性、サポート、リカバリの関係をキャプチャする。 推論時に、HiSkillは、コンパクトなタスク関連サブグラフを検索し、シンボル的タスク状態、アクティブスキル、検索されたサブグラフガイドがLPMエージェントにスキルの切り替え、AtomicOpsの選択、地上実行動作を反復的に行うサブグラフ誘導タスク実行を実行する。 3つのインタラクティブな環境での実験では、HiSkillは推論トークンの消費を減らしながら最先端のベースラインを上回り、階層的なスキルグラフを通してハイレベルなスキルと実行可能なアクショングラウンドをブリッジすることの有効性を示す。 私たちのデータとコードはhttps://github.com/BUPT-GAMMA/HiSkill.comで公開されています。

関連論文リスト

• Task Decomposition-Guided Reranking for Adaptive Agent Skill Retrieval [16.270741233471107]
  本稿では,適応型スキル選択のための推論時間更新フレームワークであるSkillRerankerを提案する。 我々は、SkillRerankerがタスク性能を効果的に改善し、環境相互作用のステップを減らし、トークン消費を減らすことを示す。
  論文  参考訳（メタデータ） (2026-07-07T13:49:08Z)
• Beyond Domains: Reusing Web Skills via Transferable Interaction Patterns [68.0603867264595]
  SkillMigratorは再利用可能なWebスキルを学習し、特定の要素参照ではなくレイアウト構造にマッチしてサイト間でそれらを転送する。 WebArenaとMind2Webの両方において、成功軌道上の平均LCM-アクション数を、一致した成功速度で8-10%削減する。
  論文  参考訳（メタデータ） (2026-06-16T08:04:35Z)
• 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)
• Toward Scalable Terminal Task Synthesis via Skill Graphs [16.33536290621557]
  ターミナルエージェントは、自律的なコマンドライン実行の可能性を強く示してきたが、その訓練は高品質で多様な実行軌跡の不足によって制限されている。 本稿では,シナリオ駆動型スキルグラフ上に構築された端末タスク合成のための自動フレームワークであるSkill Synthを紹介する。
  論文  参考訳（メタデータ） (2026-04-28T14:53:59Z)
• WebXSkill: Skill Learning for Autonomous Web Agents [104.76374637691212]
  WebXSkillは、コードベースのスキルと自然言語ガイダンスのギャップを埋めるフレームワークである。 WebArenaとWebVoyagerでは、WebXSkillはタスク成功率をベースラインで最大9.8と12.9ポイント改善する。
  論文  参考訳（メタデータ） (2026-04-14T21:48:15Z)
• Offline Discovery of Interpretable Skills from Multi-Task Trajectories [8.119611773942562]
  オフラインスキル発見と階層的模倣のための3段階のエンドツーエンド学習フレームワークであるLOKIを紹介する。 LOKIは、挑戦的なD4RL Kitchenベンチマークで高い成功率を獲得し、標準のHILベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-01T05:03:58Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• 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)
• ULTRA-DP: Unifying Graph Pre-training with Multi-task Graph Dual Prompt [67.8934749027315]
  本稿では,タスク識別と位置識別をGNNに注入する,グラフハイブリッド事前学習のための統合フレームワークを提案する。 また,約$k$-nearest隣人のグループに基づいた,新しい事前学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-23T12:11:13Z)

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。