論文の概要: Imagine Before Retrieval: Prospective Skill Retrieval for LLM Agents
- arxiv url: http://arxiv.org/abs/2609.01642v1
- Date: Fri, 28 Aug 2026 13:19:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.565546
- Title: Imagine Before Retrieval: Prospective Skill Retrieval for LLM Agents
- Title（参考訳）: LLMエージェントの予見的スキル検索
- Abstract要約: 本稿では,QSM(Query-Skill Misalignment)問題の負の影響を軽減する新しいフレームワークであるSkillDreamerを提案する。
簡単に言うと、SkillDreamerはタスク実行に必要な機能を推測し、擬似スキルを生成してこれらの能力を実現する方法を想像する。
SkillRetとSkillUsageの大規模な実験は、スキル検索とエンドツーエンドタスク実行の両方において、SkillDreamerの有効性を証明する。
- 参考スコア（独自算出の注目度）: 19.57498769577715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skill retrieval has recently emerged as a promising paradigm for identifying the desirable execution guidelines from the skill gallery, thus equipping large language model (LLM) agents with the procedural knowledge to accomplish the specified task. To this end, most existing methods customize the retrieval model or reconfigure the retrieval pipeline to prioritize skills that are most semantically relevant to the task query. However, we empirically reveal that task queries and skills are naturally formulated from different perspectives, namely, objective-oriented and procedural-oriented, leading to an under-explored problem termed Query--Skill Misalignment (QSM). Clearly, it is daunting and even impossible to associate the desirable skills in the context of QSM, thus hindering the agent from correctly executing the task. As a remedy, inspired by human prospective cognition, we propose SkillDreamer, a novel framework to alleviate the negative impact of QSM problem. In brief, SkillDreamer first infers the capabilities necessary for task execution, then imagines how to realize these capabilities by generating pseudo skills, and finally leverages such prospective information to bridge the gap between objective-oriented task queries and execution-oriented skills. Extensive experiments on SkillRet and SkillUsage not only verify the effectiveness of SkillDreamer in both skill retrieval and end-to-end task execution, but also demonstrate its generalizability across diverse retrieval models and pipelines. The code will be released upon acceptance.
- Abstract（参考訳）: 最近、スキル検索は、スキルギャラリーから望ましい実行ガイドラインを特定するための有望なパラダイムとして現れており、それによって、特定のタスクを達成するための手続き的知識を持つ大規模言語モデル(LLM)エージェントが提供される。
この目的のために、既存のほとんどのメソッドは、検索モデルをカスタマイズするか、検索パイプラインを再設定し、タスククエリに最もセマンティックに関連のあるスキルを優先順位付けする。
しかし,タスククエリとスキルは,目的指向と手続き指向の異なる視点から自然に定式化されていることを実証的に明らかにし,クエリスキルミスアライメント (QSM) と呼ばれる未探索の問題に繋がる。
明らかに、QSMのコンテキストにおいて望ましいスキルを関連付けることは不可能であり、エージェントがタスクを正しく実行するのを妨げる。
そこで我々は,QSM問題に対する否定的影響を緩和する新しい枠組みであるSkillDreamerを提案する。
簡単に言うと、SkillDreamerはまずタスク実行に必要な機能を推測し、次に擬似スキルを生成してこれらの能力を実現する方法を想像し、最終的にそのような予測情報を活用して、目的指向のタスククエリと実行指向スキルのギャップを埋める。
SkillRetとSkillUsageの大規模な実験は、スキル検索とエンドツーエンドのタスク実行の両方においてSkillDreamerの有効性を検証するだけでなく、多様な検索モデルとパイプラインでその一般化性を示す。
コードは受理時にリリースされます。
関連論文リスト
- Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents [17.291924088593408]
大規模言語モデル(LLM)エージェントは、完了したタスクからスキルを誘導し、後で再利用することで、より経験を積むことができる。
実際には、誘導されたスキルは信頼できない移動をし、それらを回収するエージェントを傷つけることもある。
我々は、タスク間でのスキルの伝達の仕方について、包括的で制御された研究を行う。
論文 参考訳（メタデータ） (2026-08-20T17:12:08Z) - SkillReason: Reasoning-Enhanced Agent Skill Retrieval for Implicit User Requests [13.420494836976033]
SkillReason-Benchは3,729のクエリと9つのドメインにまたがる61,228スキルの検索コーパスを含む大規模クロスドメインベンチマークである。
SkillRea sonという2段階のフレームワークを提案する。
SkillReason-Bench、SkillRet、SRA-Benchの実験は、Skill-Reasonが3つのベンチマークすべてで最先端のパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2026-08-09T11:19:20Z) - SkillAligner: Treating Retrieved Skills as Adaptable Drafts at Execution Time [14.34844805305673]
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。
論文 参考訳（メタデータ） (2026-08-07T07:05:53Z) - 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) - 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) - 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) - Decompose and Recompose: Reasoning New Skills from Existing Abilities for Cross-Task Robotic Manipulation [45.91196295385836]
クロスタスクの一般化は、オープンソースのロボット操作における中核的な課題である。
中間表現としてアトミックなスキルアクションペアを用いたスキル推論フレームワークであるDecomposeとRecomposeを提案する。
われわれのアプローチでは、実演を解釈可能なスキル-アクションアライメントに分解し、モデルが見えないタスクのためにこれらのスキルを再構成できるようにする。
論文 参考訳（メタデータ） (2026-05-02T13:55:28Z) - Learning Task Representations from In-Context Learning [67.66042137487287]
大規模言語モデル(LLM)は、文脈内学習(ICL)において顕著な習熟性を示した。
ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。
提案手法は,テキスト中の実演からタスク固有の情報を抽出し,テキストと回帰タスクの両方で優れる。
論文 参考訳（メタデータ） (2025-02-08T00:16:44Z) - Reasoning or Reciting? Exploring the Capabilities and Limitations of Language Models Through Counterfactual Tasks [71.19560970717495]
最近の言語モデルは、幅広いタスクで印象的なパフォーマンスを示している。
これらのスキルは一般的で、移行可能か、あるいは事前トレーニング中に見られる特定のタスクに特化していますか?
本稿では,標準タスクの既定前提から逸脱する「数値的」タスク変種に基づく評価フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-05T17:50:42Z) - Learning Options via Compression [62.55893046218824]
そこで本研究では,スキル記述長に対するペナルティと,最大限の目標を組み合わさった新たな目的を提案する。
我々の目的は、最大化可能性のみから学んだスキルと比較して、下流のタスクを少ないサンプルで解くスキルを学ぶことである。
論文 参考訳（メタデータ） (2022-12-08T22:34:59Z) - Hierarchical Few-Shot Imitation with Skill Transition Models [66.81252581083199]
FIST(Few-shot Imitation with Skill Transition Models)は、オフラインデータからスキルを抽出し、それらを利用して見えないタスクに一般化するアルゴリズムである。
本稿では,FISTが新たなタスクに一般化し,ナビゲーション実験において従来のベースラインを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2021-07-19T15:56:01Z)
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。