論文の概要: VCE-Skill: Enhancing Skill Self-Evolution with Version-Change Experience
- arxiv url: http://arxiv.org/abs/2608.16544v1
- Date: Mon, 17 Aug 2026 13:16:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.710002
- Title: VCE-Skill: Enhancing Skill Self-Evolution with Version-Change Experience
- Title（参考訳）: VCEスキル: バージョンチェンジ体験によるスキルの自己進化を促進する
- Abstract要約: 既存のスキル自己進化手法は、主に現在のタスクから収集された実行軌跡を使ってスキルを改訂する。
本稿では,VCE-Skillを提案する。VCE-Skillは,ノイズや実装固有の公開スキルの変更を再利用し,再利用可能なバージョンチェンジエクスペリエンスを実現する。
私たちの研究は、事前知識の未熟だが効果的な源泉として、公開スキルのバージョン変更を強調し、軌道駆動スキルの自己進化を前進させます。
- 参考スコア（独自算出の注目度）: 12.60845363300573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agents increasingly rely on reusable skills to encode task knowledge, tool-use procedures, and validation rules. Existing skill self-evolution methods primarily revise skills using execution trajectories collected from current tasks, leaving the evolution knowledge accumulated in public skill version histories largely untapped. Our pilot study reveals a clear complementarity between the two sources: public skill changes provide reusable evolution priors, whereas trajectories provide evidence grounded in the current task. Motivated by this, we propose VCE-Skill, which distills noisy and implementation-specific public skill changes into reusable, structured version-change experience and adaptively fuses it with trajectory-derived proposals from the base evolver, thereby exploiting external experience while retaining task-specific evidence. Extensive experiments demonstrate that VCE-Skill improves skill self-evolution, increasing mean scores by 3.20--4.98 points; transfer experiments further show that the resulting skills achieve stronger cross-model transfer performance. Our work highlights public skill version changes as a previously underexplored yet effective source of prior knowledge and advances trajectory-driven skill self-evolution.
- Abstract（参考訳）: エージェントは、タスク知識、ツール使用手順、バリデーションルールをエンコードする再利用可能なスキルに依存している。
既存のスキルの自己進化手法は、主に現在のタスクから収集された実行軌跡を使ってスキルを改訂し、公開スキルバージョンの履歴に蓄積された進化の知識は、ほとんど役に立たないままである。
公開スキルの変更は再利用可能な進化の先駆けとなるが、軌跡は現在の課題に根ざした証拠を提供する。
そこで本研究では,VCE-Skillを提案する。VCE-Skillは,ノイズや実装固有の公開スキルの変化を再利用可能なバージョン変更エクスペリエンスに蒸留し,ベース進化器からの軌道由来の提案と適応的に融合し,タスク固有の証拠を保持しながら外部エクスペリエンスを活用する。
大規模な実験により、VCEスキルはスキルの自己進化を改善し、平均スコアを3.20～4.98ポイント増加させる。
私たちの研究は、事前知識の未熟だが効果的な源泉として、公開スキルのバージョン変更を強調し、軌道駆動スキルの自己進化を前進させます。
関連論文リスト
- WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution [16.55630974027974]
我々は、永続的知識ベース(wiki)でエージェントスキルを共進化させるフレームワークであるWikiSkillを紹介する。
WikiSkillは最先端のスキル進化手法より一貫して優れています。
また、進化したスキルはモデルやモデルファミリー間で効果的に伝達され、他のモデルによって進化したスキルは、自己進化したスキルより優れていることもわかりました。
論文 参考訳（メタデータ） (2026-08-27T17:59:11Z) - SkillCommit: Evolving Agent Skills through Behaviorally Validated Scope Expansion [15.498568310060229]
我々は、経験を再利用可能なスキルの階層的なライブラリに変換するオンラインスキル進化フレームワークであるSkillCommitを提案する。
関連スキルが蓄積されるにつれて、SkillCommitは共通の行動メカニズムを共有するスキルをハイレベルなスキルに抽象化する。
RuleArena、OpenExempt、KOR-Benchの実験では、SkillCommitはさまざまなドメインにわたるエージェントパフォーマンスを一貫して改善している。
論文 参考訳（メタデータ） (2026-08-15T11:03:07Z) - Evo-Harness: Context-to-Harness Skill Compilation for Self-Evolving Agents [67.97365535829098]
経験から学ぶことは、有能で自己改善型の大規模言語モデル(LLM)エージェントの開発に不可欠である。
Evo-Harnessは、ノイズの多いシングルショット実行を、クロスドメインとトピックレベルの適応のための再利用可能なスキルハーネスに蒸留する。
本分析は,エボ・ハーネスの有効性を実証し,LLMエージェントがリアルタイムで効果的に学習する方法の原理的理解を提供する。
論文 参考訳（メタデータ） (2026-08-15T06:43:56Z) - Query-Only Backdoor Attacks on Self-Evolving Skills via Trajectory Poisoning [23.79611349616925]
エージェントスキルは、複雑なタスクの再利用手順をエンコードすることで、大きな言語モデル(LLM)エージェントを改善する。
自己進化型スキルシステムは、実行軌跡からスキルを自動構築および更新するために開発された。
提案するトラジェクティブ・バックドア・アタック(TBA)は,信頼性の高いスキル進化パイプラインをバックドアのスキルを生み出すためのクエリ専用アタックである。
論文 参考訳（メタデータ） (2026-08-08T19:31:19Z) - Progressive Agent Skill Generation via Reinforcement Learning [29.782307460602876]
高品質なエージェントスキルを段階的に生成する強化学習手法であるSkill-$を提案する。
具体的には、スキル構築を個別に評価可能な編集に分解するシーケンシャルな編集プロセスとして、スキル生成を定式化する。
実験によると、Skill-$はパイプラインスタイルの統合に基づく手法よりも効果的なスキルを生み出す。
論文 参考訳（メタデータ） (2026-08-03T04:14:59Z) - Rethinking Self-Evolution: A Constrained Exploration-Exploitation Process for Mitigating Skill Overfitting [20.811638832981178]
大規模言語モデル(LLM)エージェントは、過去のインタラクションからの経験を蓄積し再利用する必要がある。
データ駆動のスキル最適化は、実際の環境から収集された限られた軌道に過度に適合する傾向がある。
リスクを緩和する3段階フレームワークであるSkillBoostを提案する。
論文 参考訳（メタデータ） (2026-07-29T09:05:40Z) - Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。
プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。
このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
論文 参考訳（メタデータ） (2026-07-24T17:59:22Z) - 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) - 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) - 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)
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。