論文の概要: SkillTrace: Traversing a Query-Skill Graph for Composable LLM Agents
- arxiv url: http://arxiv.org/abs/2608.02356v1
- Date: Mon, 03 Aug 2026 15:07:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.386205
- Title: SkillTrace: Traversing a Query-Skill Graph for Composable LLM Agents
- Title（参考訳）: SkillTrace: 構成可能なLLMエージェント用のクエリスキルグラフのトラバース
- Abstract要約: 我々は、ユーザクエリをセマンティック階層に整理し、スキルクエリと候補をマッチングし、スキル依存性を伝搬するSkillTraceを紹介した。
SkillsBenchとALFWorldの実験では、SkillTraceは最先端のパフォーマンスを達成し、53.17%の成功率に達した。
- 参考スコア（独自算出の注目度）: 22.759579282367614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model agents increasingly solve complex tasks by composing reusable skills from a library. To address this, the key challenge is not merely to retrieve individually relevant skills, but to identify a complete and executable skill composition. In this paper, we argue that this problem can be solved in a graph with three levels: compositional relations among skill queries, similarity between queries and candidates in the skill library, and the dependencies among the selected candidates. We introduce SkillTrace, which organizes the user query into a semantic hierarchy, matches skill queries and candidates, and propagates over the skill dependencies. Experiments on SkillsBench and ALFWorld demonstrate that SkillTrace achieves state-of-the-art performance, reaching a success rate of 53.17% on SkillsBench and 91.43% on ALFWorld. SkillTrace also delivers consistent improvements across different backbone language models, demonstrating the generality and robustness of graph-based skill retrieval.
- Abstract（参考訳）: 大規模な言語モデルエージェントは、ライブラリから再利用可能なスキルを構成することで、複雑なタスクをますます解決します。
これを解決する上で重要な課題は、個別に関連するスキルを検索するだけでなく、完全かつ実行可能なスキル構成を特定することである。
本稿では,この問題を,スキルクエリ間の合成関係,スキルライブラリ内のクエリと候補間の類似性,選択した候補間の依存関係の3つのレベルからなるグラフで解くことができると論じる。
ユーザクエリをセマンティック階層に整理し、スキルクエリと候補をマッチングし、スキル依存関係を伝搬するSkillTraceを紹介します。
SkillsBenchとALFWorldの実験では、SkillTraceは最先端のパフォーマンスを達成し、SkillsBenchで53.17%、ALFWorldで91.43%の成功率に達した。
SkillTraceはまた、さまざまなバックボーン言語モデルに対して一貫した改善を提供し、グラフベースのスキル検索の汎用性と堅牢性を示している。
関連論文リスト
- SkillAlign: Aligning Skill Interfaces for LLM-based Agents [14.545296091572688]
私たちは、同じスキルが、どのように露出するかによって、助けになり、気を散らし、誤解を招く可能性があると論じます。
本稿では,多視点プロシージャカードとして候補スキルを表すプロバイダに依存しないフレームワークであるSkillAlignを提案する。
以上の結果から,スキル強化エージェントは,どのスキルを使用するかだけでなく,それらのスキルの提示方法も最適化すべきであることが示唆された。
論文 参考訳（メタデータ） (2026-09-07T09:11:03Z) - Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning [72.09826781730662]
ロングホライゾン推論は、モデルが推論チェーン内の異なるスキルを切り替えることを要求する。
スキル・エントロピー(Skill Entropy)とは、あるスキルから別のスキルに切り替えることの難しさを測る尺度である。
本稿では,RLフレームワークであるSkill-Entropy RLを提案する。
論文 参考訳（メタデータ） (2026-08-05T17:57:16Z) - 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) - Generative Skill Composition for LLM Agents [58.47191648555256]
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。
論文 参考訳（メタデータ） (2026-06-30T17:53:09Z) - VISUALSKILL: Multimodal Skills for Computer-Use Agents [63.79539541125141]
ターゲットアプリケーション毎に調整された階層型マルチモーダルスキルであるVISUALSKILLを提案する。
著者によるドキュメンテーションとライブアプリケーションUI探索を組み合わせた2段階のパイプラインで、それぞれのスキルを構築します。
2つのCUAベンチマークでは、Claude Code CLIエージェントがClaude Opus 4.6によって支援され、VISUALSKILLで平均スコア0.456に達した。
論文 参考訳（メタデータ） (2026-06-16T19:57:07Z) - 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) - 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)
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。