論文の概要: SkillSmith: Enhancing Locally Deployed Agents via Automatic Skill Construction and Evolution
- arxiv url: http://arxiv.org/abs/2608.08037v1
- Date: Sat, 08 Aug 2026 09:48:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.616251
- Title: SkillSmith: Enhancing Locally Deployed Agents via Automatic Skill Construction and Evolution
- Title（参考訳）: SkillSmith: 自動スキル構築と進化によるローカルデプロイエージェントの強化
- Abstract要約: SkillSmithはクラウドローカルエージェントのコラボレーションフレームワークで、Skillを文脈効率のよい知識キャリアとして利用する。
自動生成されたSkillにより、Qwen3.6-27B(SLM)を用いたローカルエージェントが、フロンティアLLMのクラウドエージェントに匹敵するタスク効率を実現できることを示す。
- 参考スコア（独自算出の注目度）: 5.8298968162125435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LLM-based agent frameworks now act as personal assistants for multi-step tasks. Existing agent frameworks such as OpenClaw commonly follow the Cloud Agent depolyment mode using closed-source cloud LLMs as backbone model, which may expose private user information and incur repeated LLM-calling costs. Local Agents address these deployment concerns by depolying frontier open-source SLMs on user-controlled devices, but their task effectiveness still lags far behind Cloud Agents. Through diagnostic analysis, we reveal that the limited effectiveness of Local Agents with frontier SLM backbones mainly comes from missing environment knowledge caused by limited backbone model scale including environment rules and operation procedures. To supply such knowledge non-parametrically, context-efficiently, and without expert authoring, we present SkillSmith, a Cloud--Local Agent collaboration framework that uses Skill as a context-efficient knowledge carrier, automatic constructs Skill from Cloud Agent task exploration and evolves Skill using Local Agent execution feedback to enhance a frozen Local Agent. Experiments on daily agent task datasets AppWorld and WorkBench show that the automatically generated Skill enables the Local Agent with Qwen3.6-27B(SLM) to achieve task effectiveness comparable to Cloud Agents with frontier LLMs, outperform the strongest non-parametric baselines, reduce average actions per task from 36.1 to 9.9 on AppWorld-Normal, and generalize to other SLM backbone models without rerunning Skill construction.
- Abstract（参考訳）: LLMベースのエージェントフレームワークは、マルチステップタスクのパーソナルアシスタントとして機能する。
OpenClawのような既存のエージェントフレームワークは、一般的にCloud Agent Depolymentモードに従っており、クローズドソースのクラウドLLMをバックボーンモデルとして使用している。
ローカルエージェントは、フロンティアのオープンソースSLMをユーザ制御デバイスに配置することで、これらのデプロイメント上の懸念に対処する。
診断分析により,フロンティアSLMバックボーンを用いたローカルエージェントの限られた有効性は,主に環境ルールや操作手順を含む限られたバックボーンモデルスケールによる環境知識の欠如に起因することが明らかとなった。
SkillSmithは、文脈効率のよい知識キャリアとしてSkillを使用するクラウドローカルエージェントコラボレーションフレームワークで、Cloud Agentタスク探索からSkillを自動的に構築し、ローカルエージェントの実行フィードバックを使用してSkillを進化させ、フリーズローカルエージェントを強化する。
毎日のエージェントタスクデータセットの実験AppWorldとWorkBenchは、自動生成されたSkillによって、Qwen3.6-27B(SLM)を使用したローカルエージェントが、フロンティアLDMのクラウドエージェントに匹敵するタスク効率を実現し、最強の非パラメトリックベースラインを上回り、AppWorld-Normalのタスク当たりの平均アクションを36.1から9.9に減らし、Skill構築を再実行せずに他のSLMバックボーンモデルに一般化できることを示した。
関連論文リスト
- Adaptive AI Agent Placement and Migration in Edge Intelligence Systems [14.789027376038115]
本稿では,エッジインテリジェンスシステムにおけるAIエージェント配置とマイグレーションのための新しいフレームワークを提案する。
エージェントを自律的に配置してリソース利用を最適化し、必須状態のみを転送することで、軽量なエージェントマイグレーションを可能にする。
論文 参考訳（メタデータ） (2025-08-05T11:47:46Z) - Training LLM-Based Agents with Synthetic Self-Reflected Trajectories and Partial Masking [61.61356842567952]
LLMに基づくエージェントトレーニングを改善するための新しい手法STePを提案する。
誤差ステップの反射や補正を含む自己反射軌道を合成する。
実験により,提案手法は3つの代表的なタスクにおいてエージェント性能を向上させることが示された。
論文 参考訳（メタデータ） (2025-05-26T14:11:12Z) - AgentVigil: Generic Black-Box Red-teaming for Indirect Prompt Injection against LLM Agents [54.29555239363013]
本稿では,間接的なインジェクション脆弱性を自動的に検出し,悪用するための汎用的なブラックボックスファジリングフレームワークであるAgentVigilを提案する。
我々はAgentVigilをAgentDojoとVWA-advの2つの公開ベンチマークで評価し、o3-miniとGPT-4oに基づくエージェントに対して71%と70%の成功率を達成した。
攻撃を現実世界の環境に適用し、悪質なサイトを含む任意のURLに誘導するエージェントをうまく誘導する。
論文 参考訳（メタデータ） (2025-05-09T07:40:17Z) - AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents [10.664244731281842]
大規模言語モデル (LLM) エージェントはタスクの自動化とインテリジェントな意思決定において顕著な能力を示した。
これらのフレームワークは、主に開発者に対して広範な技術的専門知識を提供する。
世界の人口の0.03%のみが必要なプログラミングスキルを持っている。
論文 参考訳（メタデータ） (2025-02-09T16:53:56Z) - AgentOccam: A Simple Yet Strong Baseline for LLM-Based Web Agents [52.13695464678006]
本研究は, 観察空間と行動空間を簡略化することで, LLMベースのWebエージェントを強化する。
AgentOccam は以前の最先端および同時処理を 9.8 (+29.4%) と 5.9 (+15.8%) で上回っている。
論文 参考訳（メタデータ） (2024-10-17T17:50:38Z) - AdaSwitch: Adaptive Switching between Small and Large Agents for Effective Cloud-Local Collaborative Learning [36.37717583840935]
本研究では,大規模クラウドベースLLMと小規模ローカルデプロイLLMの協調運用を容易にする新しいLCM利用パラダイムを提案する。
本フレームワークは,比較的小型のLLMをインスタンス化したローカルエージェントと,大型のLLMを搭載したクラウドエージェントの2つの主要モジュールから構成される。
この協調処理は、ローカルエージェントがエラーを内観的に識別し、クラウドエージェントから積極的に支援を求める適応機構によって実現される。
論文 参考訳（メタデータ） (2024-10-17T03:07:37Z) - EnvGen: Generating and Adapting Environments via LLMs for Training Embodied Agents [65.38474102119181]
トレーニング環境を適応的に作成するフレームワークであるEnvGenを提案する。
我々は、LLM生成環境とLLM生成環境を混合した小さなRLエージェントを訓練する。
我々は、EnvGenで訓練された小さなRLエージェントが、GPT-4エージェントを含むSOTAメソッドより優れており、長い水平タスクをかなり高速に学習できることを発見した。
論文 参考訳（メタデータ） (2024-03-18T17:51:16Z) - Enhancing Open-Domain Task-Solving Capability of LLMs via Autonomous Tool Integration from GitHub [79.31134731122462]
オープンドメインのタスク解決能力を評価するためにOpenActベンチマークを導入します。
我々は,オープンドメインの進化するクエリに,GitHubから専門ツールを自律的に統合することで対処できる,新しいLLMベースのエージェントシステムであるOpenAgentを紹介する。
論文 参考訳（メタデータ） (2023-12-28T15:47:30Z) - AgentTuning: Enabling Generalized Agent Abilities for LLMs [35.74502545364593]
本稿では,オープンな大規模言語モデルのエージェント能力を高めるための,シンプルで汎用的なAgentTuningを提案する。
我々は、AgentInstructと一般的なドメインからのオープンソース命令を組み合わせることで、ハイブリッドなインストラクションチューニング戦略を採用する。
評価の結果,AgentTuning は汎用能力を損なうことなく LLM のエージェント機能を実現することができることがわかった。
論文 参考訳（メタデータ） (2023-10-19T15:19:53Z) - AgentBench: Evaluating LLMs as Agents [99.12825098528212]
エージェントとしてのLarge Language Model (LLM)は近年広く認知されている。
我々は,LLM-as-Agentの推論と意思決定能力を評価するために,8つの異なる環境からなるベンチマークであるAgentBenchを提案する。
論文 参考訳（メタデータ） (2023-08-07T16:08:11Z)
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。