論文の概要: SkillAligner: Treating Retrieved Skills as Adaptable Drafts at Execution Time
- arxiv url: http://arxiv.org/abs/2608.06880v1
- Date: Fri, 07 Aug 2026 07:05:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.38396
- Title: SkillAligner: Treating Retrieved Skills as Adaptable Drafts at Execution Time
- Title（参考訳）: SkillAligner: 実行時に適応可能なドラフトとして回収されたスキルを扱う
- Abstract要約: 汎用スキルは、言語エージェントのための再利用可能な手続き的知識を約束する。
しかし、セマンティックな関連性は実行ユーティリティを保証しません。
トレーニング不要な実行時スキル適応フレームワークであるSkillAlignerを提案する。
- 参考スコア（独自算出の注目度）: 14.34844805305673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: General-purpose skills promise reusable procedural knowledge for language agents, yet semantic relevance does not guarantee execution utility: a retrieved skill may encode assumptions that conflict with the current task, execution environment, or other retrieved skills. We formalize this problem as the skill--execution misfit. To address it, we propose SkillAligner, a training-free execution-time skill adaptation framework that treats retrieved skills as adaptable drafts rather than fixed instructions. Before execution, SkillAligner performs a one-time joint adaptation that specializes useful skill fragments to task requirements, aligns their procedural assumptions with the available execution interface, and composes the resulting guidance by resolving dependencies, conflicts, and redundancy across skills. The adapted content is consolidated into a compact execution guide and reused throughout the subsequent trajectory. Extensive experiments across diverse agent benchmarks and model backbones show that SkillAligner substantially improves task performance over existing skill-use baselines, reduces skill-induced regressions at the instance level, and lowers total inference cost.
- Abstract（参考訳）: 汎用スキルは、言語エージェントに対する再利用可能な手続き的知識を約束するが、セマンティックな関連性は実行ユーティリティを保証しない。
私たちはこの問題をスキル-実行ミスフィットとして定式化します。
そこで我々はSkillAlignerを提案する。SkillAlignerはトレーニング不要な実行時スキル適応フレームワークで、取得したスキルを固定命令ではなく適応可能なドラフトとして扱う。
実行前に、SkillAlignerは、タスク要求に有用なスキルフラグメントを専門とし、利用可能な実行インターフェースと手続き的な仮定を整合させ、スキル間の依存関係、コンフリクト、冗長性を解決して結果のガイダンスを構成する、ワンタイムのジョイントアプリメンテーションを実行する。
適応されたコンテンツは、コンパクトな実行ガイドに統合され、その後の軌道を通して再利用される。
多様なエージェントベンチマークとモデルバックボーンにわたる大規模な実験により、SkillAlignerは既存のスキル使用ベースラインよりもタスクパフォーマンスを大幅に改善し、インスタンスレベルでのスキル誘発回帰を低減し、総推論コストを削減している。
関連論文リスト
- ContinualSkillBench: Can LLM Agents Truly Evolve Their Capabilities? [42.712923465058786]
In-context連続型スキル学習のための動的評価フレームワークであるContinualSkillBenchを紹介する。
シーケンシャルな実行は一般的にパフォーマンスを改善するが、モデルやドメインによって大きな違いがある。
さらに、より能力の低いモデルは、より大きな、より断片化されたタスク固有のスキルのコレクションを蓄積する傾向にある。
論文 参考訳（メタデータ） (2026-08-04T16:15:02Z) - 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) - 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) - Co-Evolving Skill Generation and Policy Optimization [35.41582114275514]
既存の手法は通常、強力な言語モデルを使用してトラジェクトリを分析し、スキルを生成し、オンライントレーニング中に検索可能なスキルバンクを更新します。
プレストレージスキル検証のためのオンライン強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-07T17:55:55Z) - 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) - SkillRevise: Improving LLM-Authored Agent Skills via Trace-Conditioned Skill Revision [41.562357872885826]
SkillReviseはエージェントスキルを反復的に洗練するために設計された実行基盤フレームワークである。
SkillReviseは、実行エビデンスからスキル欠陥を診断し、一般的なメモリから関連する修復原則を検索し、実行順に編集を適用する。
単発ベースラインを大幅に上回り、SkillsBenchにおけるベースエージェントの成功率は36.05%から61.63%に向上した。
論文 参考訳（メタデータ） (2026-05-31T10:19:13Z) - 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) - SkillGen: Verified Inference-Time Agent Skill Synthesis [60.927977774369516]
SkillGenは、ベースエージェントによって生成されたトラジェクトリから単一の監査可能なスキルを合成するフレームワークである。
再利用可能な成功パターン、繰り返し発生する障害モード、そして近くの成功に現れるが失敗に欠ける行動を特定する。
SkillGenの重要な特徴は、エージェントスキルを、全体的なパフォーマンスに対するスキルのネット効果を実証的に検証するための介入としてモデル化することです。
論文 参考訳（メタデータ） (2026-05-09T19:24:11Z) - SkillOS: Learning Skill Curation for Self-Evolving Agents [67.94374107466957]
本稿では,自己進化エージェントのスキルキュレーションを学習するための,経験駆動型RLトレーニングレシピであるSkillOSを提案する。
SkillOSは、凍結したエージェントエグゼキュータとトレーニング可能なスキルキュレーターを組み合わせて、蓄積したエクスペリエンスから外部SkillRepoを更新する。
SkillOSは、メモリフリーと強力なメモリベースラインを、有効性と効率の両方で一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2026-05-07T17:31:50Z)
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。