論文の概要: Skill2Query: Exploiting Skill Structure to Generate Pseudo-Queries for Agent Skill Retrieval
- arxiv url: http://arxiv.org/abs/2608.16071v1
- Date: Mon, 17 Aug 2026 04:04:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.518447
- Title: Skill2Query: Exploiting Skill Structure to Generate Pseudo-Queries for Agent Skill Retrieval
- Title（参考訳）: Skill2Query: エージェントスキル検索のための擬似クエリを生成するためのスキル構造のエクスプロイト
- Abstract要約: 擬似クエリ生成は、エージェントスキル検索の監視ボトルネックを軽減することができる。
本稿では,スキルドキュメントをスキル知識グラフに解析し,擬似クエリを生成するフレームワークであるSkill2Queryを提案する。
生成されたクエリは、オフラインインデックス拡張、オンラインクエリ拡張、レトリバートレーニングに使用することができる。
- 参考スコア（独自算出の注目度）: 23.49934184220403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pseudo-query generation can alleviate the supervision bottleneck for agent skill retrieval, but existing document-level approaches typically leave the rich internal relations among capabilities, parameters, and usage examples implicit. As a result, generated queries may be topically relevant to a skill while lacking capability grounding and parameter consistency, raising the question of whether explicitly exploiting a skill document's internal structure can produce more effective retrieval signals. We therefore propose Skill2Query, a framework that first parses a skill document into a Skill Knowledge Graph and then generates pseudo-queries through a three-stage process including style mimicking, query template generation, and parameter filling. The generated queries can be used for offline index augmentation, online query expansion, and retriever training. Four benchmarks (TheoremQA, LogicBench, ToolQA, and CHAMP) are used to evaluate Skill2Query with large-scale skill candidate pools across multiple downstream applications, including skill retrieval, retriever training, and end-to-end agent execution. Using nearly 30K skills across diverse domains, we generate 700K category-diverse pseudo-queries. Skill2Query consistently improves sparse, dense, and skill-routing retrieval, with an average Recall@1 gain of 6.70 percentage points across retrieval settings. Skill2Query-generated training data also achieves the best Recall@1 and nDCG@1 among the evaluated generation baselines. Further evaluations with multiple LLM backends demonstrate that improved skill retrieval translates into higher agent task success rates. Code and resources are available at https://github.com/MatZaharia/Skill2Query.
- Abstract（参考訳）: 擬似クエリ生成はエージェントスキル検索の監視ボトルネックを軽減することができるが、既存のドキュメントレベルのアプローチは通常、機能、パラメータ、使用例の間の豊富な内部関係を暗黙的に残す。
その結果、生成したクエリは、機能基盤とパラメータの整合性を欠いたまま、スキルとトポロジ的に関連付けられ、スキルドキュメントの内部構造を明示的に活用することで、より効果的な検索信号が得られるかどうかという疑問が提起される。
そこで我々は,スキルドキュメントをスキル知識グラフに解析し,その後,スタイル模倣,クエリテンプレート生成,パラメータフィリングを含む3段階のプロセスを通じて擬似クエリを生成するフレームワークであるSkill2Queryを提案する。
生成されたクエリは、オフラインインデックス拡張、オンラインクエリ拡張、レトリバートレーニングに使用することができる。
4つのベンチマーク(TheoremQA、LogicBench、ToolQA、CHAMP)を使用して、スキル検索、レトリバートレーニング、エンドツーエンドエージェントの実行など、複数のダウンストリームアプリケーションにまたがる大規模なスキル候補プールを備えたSkill2Queryを評価する。
多様なドメインにまたがって約30Kのスキルを用いて700Kカテゴリの擬似クエリを生成する。
Skill2Queryはスパース、密集、スキルルーティング検索を継続的に改善し、検索設定全体で平均6.70ポイントのRecall@1ゲインを得る。
Skill2Queryで生成されたトレーニングデータは、評価された生成ベースラインの中で、最高のRecall@1とnDCG@1を達成する。
複数のLLMバックエンドによるさらなる評価は、改善されたスキル検索がより高いエージェントタスク成功率に変換されることを示す。
コードとリソースはhttps://github.com/MatZaharia/Skill2Queryで入手できる。
関連論文リスト
- 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) - 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) - Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents [27.965275812765015]
Anything2Skillは、異種外部の知識を再利用可能な、検索可能な、エージェントの実行可能なスキルにコンパイルする分類誘導フレームワークである。
我々は、Anything2SkillとRAGを組み合わせることで、それぞれ98.85%と94.10%の成功率が得られることを示した。
論文 参考訳（メタデータ） (2026-06-08T10:24:32Z) - 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) - SkillRAE: Agent Skill-Based Context Compilation for Retrieval-Augmented Execution [10.83969404435554]
大きな言語モデル(LLM)ベースのエージェントは、アーティファクトリッチなタスクを解決するために、再利用可能なスキルライブラリに依存している。
本稿では,スキルベースのコンテキストコンパイルに着目した2段階RAE手法であるSkillRAEを提案する。
2つの公開ベンチマークの実験によると、SkillRAEはRAEのベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-05-11T07:31:48Z) - Organizing, Orchestrating, and Benchmarking Agent Skills at Ecosystem Scale [28.43462779191672]
AgentSkillOSは、スキル選択、オーケストレーション、エコシステムレベルの管理のための原則化されたフレームワークである。
AgentSkillOSには2つのステージがある。 (i) スキルを機能ツリーに整理する管理スキル。
(ii) DAGベースのパイプラインを通じて複数のスキルを検索し、オーケストレーションし、実行するタスクの解決。
論文 参考訳（メタデータ） (2026-03-02T18:46:47Z) - SoK: Agentic Skills -- Beyond Tool Use in LLM Agents [6.356997609995175]
エージェントシステムは、より確実にロングホライゾンを実行するために、再利用可能な手続き能力、すなわちエージェントスキルに依存している。
本論文は,全ライフサイクルのスキルレイヤ(発見,実践,蒸留,貯蔵,構成,評価,更新)をマッピングする。
我々は、スキルベースのエージェントのセキュリティとガバナンスの影響を分析し、サプライチェーンのリスク、スキルペイロードによるインジェクションの促進、信頼度の高い実行をカバーします。
論文 参考訳（メタデータ） (2026-02-24T13:11:38Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - End-to-end Knowledge Retrieval with Multi-modal Queries [50.01264794081951]
ReMuQは、テキストと画像のクエリからコンテンツを統合することで、大規模なコーパスから知識を取得するシステムを必要とする。
本稿では,入力テキストや画像を直接処理し,関連する知識をエンドツーエンドで検索する検索モデルReViz'を提案する。
ゼロショット設定下での2つのデータセットの検索において,優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T08:04:12Z) - Retrieval-Augmented Reinforcement Learning [63.32076191982944]
過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。
検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。
検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
論文 参考訳（メタデータ） (2022-02-17T02:44:05Z)
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。