論文の概要: Learning Globally Reusable Skills for Coding Agents
- arxiv url: http://arxiv.org/abs/2608.06153v1
- Date: Thu, 06 Aug 2026 15:19:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.94242
- Title: Learning Globally Reusable Skills for Coding Agents
- Title（参考訳）: コーディングエージェントのためのグローバルに再利用可能なスキルの学習
- Authors: Chen Yang, Jiashuo Tian, Ziqi Wang, Xinyin Liu, Meiru Ye, Junjie Chen,
- Abstract要約: スキルの自動進化により、Large Language Model (LLM)エージェントは、高価なリトレーニングなしで継続的に改善できる。
スキルの互換性とスキルの一般化を協調的に最適化する,グローバル化されたスキル進化フレームワークであるGSEを提案する。
我々は、バグ報告テスト生成と偽陽性バグレポートフィルタリングの2つの代表的なソフトウェアエンジニアリングタスクについて、GSEを評価した。
- 参考スコア（独自算出の注目度）: 9.024591011310731
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated skill evolution enables Large Language Model (LLM) agents to continuously improve without expensive retraining. However, existing approaches typically treat skill evolution as a sequence of local updates, overlooking relationships among skills and often producing overfitted skill updates that fail to generalize across tasks. We propose GSE, a globalized skill evolution framework that jointly optimizes skill compatibility and skill generalization. To preserve consistency across the skill bank, GSE maintains a Skill Relation Graph (SRG) that explicitly models and co-evolves inter-skill relationships. To improve generalization, GSE performs cluster-based skill consolidation to abstract reusable capabilities from local updates and employs replay-driven verification to prevent overfitting and behavioral regressions. We evaluate GSE on two representative software engineering tasks: bug-revealing test generation and false-positive bug report filtering. Across two state-of-the-art coding agents, OpenHands and mini-SWE-agent, GSE consistently achieves the best precision, recall, and F1-score. Compared with existing evolution techniques, GSE improves precision and recall by 6.1%~34.1% and 31.8%~180.0% for test generation, and by 15.4%~96.4% and 13.1%~19.8% for false-positive filtering. Deployment on an internal industrial agent further yields a 61.4% improvement in F1-score, demonstrating the effectiveness and generalizability of GSE for evolving effective skills.
- Abstract（参考訳）: スキルの自動進化により、Large Language Model (LLM)エージェントは、高価なリトレーニングなしで継続的に改善できる。
しかし、既存のアプローチは、通常、スキルの進化を局所的な更新のシーケンスとして扱い、スキル間の関係を見落とし、多くの場合、タスクをまたいだ一般化に失敗する過度に適合したスキル更新を生み出す。
スキルの互換性とスキルの一般化を協調的に最適化する,グローバル化されたスキル進化フレームワークであるGSEを提案する。
スキルバンク全体の一貫性を維持するため、GSEはスキル間の関係を明示的にモデル化し、共進化するスキル関係グラフ(SRG)を維持している。
一般化を改善するため、GSEはローカルアップデートから再利用可能な機能を抽象化するためにクラスタベースのスキル統合を実行し、オーバーフィッティングや振る舞いのレグレッションを防止するためにリプレイ駆動の検証を採用する。
我々は、バグ報告テスト生成と偽陽性バグレポートフィルタリングの2つの代表的なソフトウェアエンジニアリングタスクについて、GSEを評価した。
2つの最先端のコーディングエージェント、OpenHandsとmini-SWE-agentで、GSEは一貫して最高の精度、リコール、F1スコアを達成する。
既存の進化技術と比較して、GSEは精度を6.1%〜34.1%、テスト生成では31.8%～180.0%、偽陽性フィルターでは15.4%～96.4%、13.1%～19.8%改善している。
内部産業エージェントへの展開はF1スコアの61.4%の改善をもたらし、GSEの有効性と汎用性を実証する。
関連論文リスト
- Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning [51.17262419591891]
AlphaEvolveが示すように、環境フィードバックによる反復的自己進化によるテスト時間のスケーリングは、顕著なパフォーマンス向上を示している。
本稿では,データ合成パイプライン,進化対応強化学習,推論時進化探索によるメタスキル開発を目的としたMetaEvolveを提案する。
論文 参考訳（メタデータ） (2026-07-24T04:35:29Z) - FederatedSkill: Federated Learning for Agentic Skill Evolution [39.72176610642482]
我々は、協調エージェント進化のためのプライバシー保護フレームワークであるFederatedSkillを紹介した。
FederatedSkillは、セマンティックスキルの差分、ローカルライブラリ上の構造化パッチをコミュニケーションの基本単位として利用する。
サーバ側では、進化エージェントがこれらのパッチを集約し、クライアント固有の機能境界を動的にモデル化します。
論文 参考訳（メタデータ） (2026-06-02T04:38:05Z) - Skill-R1: Agent Skill Evolution via Reinforcement Learning [84.35984979949502]
Skill-R1は、検証可能な報酬からインスタンスレベルの繰り返しスキル最適化のための強化学習フレームワークである。
オープンソースモデルとクローズドソースモデルの両方とのブラックボックス互換性を維持しつつ、モデルレベルの更新よりも大幅に安価に適応できる。
論文 参考訳（メタデータ） (2026-05-10T06:19:15Z) - RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。
実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
論文 参考訳（メタデータ） (2026-03-09T16:23:33Z) - 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) - SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。
本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
論文 参考訳（メタデータ） (2025-06-26T18:00:07Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z)
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。