論文の概要: Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills

• arxiv url: http://arxiv.org/abs/2609.02749v1
• Date: Wed, 02 Sep 2026 15:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.457769
• Title: Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills
• Title（参考訳）: Repo-To-Skill: GitHubリポジトリをAI4AIスキルに蒸留する
• Authors: Jianlyu Chen, Yuyang Hu, Hongjin Qian, Jiawei Liu, Wenqing Wei, Xiaolong Chen, Defu Lian, Zhicheng Dou, Chaozhuo Li, Qiwei Ye, Zheng Liu,
• Abstract要約: 私たちは、スキルを創造し、研究中にそれらを使用する、スキル駆動型研究エージェントであるDisCoを紹介します。 私たちはこの欠落したレイヤの運用知識を、メソッドの知識を機能させるのと分離するノウハウと呼んでいる。
• 参考スコア（独自算出の注目度）: 86.15447717549154
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous agents are beginning to carry out machine-learning (ML) research end to end. These agents combine a model backbone with a harness for planning, execution, memory, and verification, but this architecture still leaves domain-specific know-how outside the agent. We call this missing layer operational knowledge, the know-how that separates knowing a method from making it work. That knowledge is not absent from the field. It appears in repositories and papers, but in forms written for human readers and too large to load during a task. Once distilled into compact, verified skills, this knowledge can be reused across tasks rather than rediscovered during each run. We present DisCo, a skill-powered research agent that creates skills and uses them during research. Its distillation runs in two complementary forms: task-agnostic, condensing the field's widely used repositories into reusable skills, and task-oriented, producing the skills a concrete task calls for. The former, applied across the open ecosystem, yields the AREX-Skill Library, with 5,000+ verified skills distilled from 1,000 widely used ML repositories and organized into 20 areas and 178 capability families. With the GPT-5.5 backbone, research harness, and downstream execution budget held fixed, the skill-equipped research agent scores 134.3% higher on MLE-bench, 34.4% higher on PaperBench, 9.2% higher on FrontierCS, and 14.0% higher on PassNet than the same agent without skills. These gains come from adding distilled operating context under that fixed setup.
• Abstract（参考訳）: 自律エージェントは機械学習(ML)の研究をエンドツーエンドで実行し始めている。 これらのエージェントは、モデルバックボーンと、計画、実行、メモリ、検証のためのハーネスを組み合わせるが、このアーキテクチャは依然としてエージェントの外でドメイン固有のノウハウを残している。 私たちはこの欠落したレイヤの運用知識を、メソッドの知識を機能させるのと分離するノウハウと呼んでいる。 その知識は分野から外れていない。 リポジトリやドキュメントに現れるが、人間の読者のために書かれた形式であり、タスク中にロードするには大きすぎる。 一度、コンパクトで検証されたスキルに蒸留すると、この知識は各実行中に再発見されるのではなく、タスク間で再利用することができる。 私たちは、スキルを創造し、研究中にそれらを使用する、スキル駆動型研究エージェントであるDisCoを紹介します。 その蒸留は、タスク非依存、現場で広く使われているリポジトリを再利用可能なスキルに凝縮する、タスク指向の2つの補完形態で行われ、具体的なタスクが求めるスキルを生み出す。 前者はオープンエコシステム全体に適用され、AREX-Skill Libraryを入手し、1,000の広く使用されているMLリポジトリから5000以上の検証済みスキルを抽出し、20の領域と178の能力を持つファミリーに編成した。 GPT-5.5のバックボーン、研究ハーネス、下流実行予算が固定され、熟練した研究エージェントはMLEベンチで134.3%、PaperBenchで34.4%、FrontierCSで9.2%、PassNetで14.0%のスコアを得た。 これらの利点は、その固定された設定の下で蒸留された運用コンテキストを追加することで得られる。

関連論文リスト

• SkillCenter: A Large-Scale Source-Grounded Skill Library for Autonomous AI Agents [32.01322382487431]
  SkillCenterは、24のドメインバンドルにまたがる216,938の構造化スキルを持つ、エージェントのための最大のオープンスキルライブラリである。 SkillGate-filteredパイプラインは、ピアレビューされたジャーナル、ArXiv、および24,000以上の技術ソースから114,565のソースグランドスキルを提供する。 すべてのスキルはオフライン検索可能なFTS5バンドルとして出荷される。
  論文  参考訳（メタデータ） (2026-07-08T17:34:28Z)
• From Registry to Repository: How AI Agent Skills Are Written, Adapted, and Maintained [13.991357454554949]
  筆者らは,AIエージェントのスキルを,著者,再利用,カスタマイズ,維持を行う技術工芸品として,初めて実証的研究を行った。 ほとんどの再利用されたスキルは、ほぼ最高のままで、53%は採用後に変更されず、その後のローカルメンテナンスは圧倒的に付加的なものである。
  論文  参考訳（メタデータ） (2026-07-01T13:14:45Z)
• 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)
• COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation [58.84646485020439]
  人為的なAIスキルを生成するための自動トレース・ツー・スキル蒸留システムを提案する。 COLLEAGUE.SKILLは、実践、メンタルモデル、意思決定のための能力トラックと、コミュニケーションスタイル、インタラクションルール、修正履歴のための有界な行動トラックの2つのトラックを持つバージョン付きのスキルパッケージを生成する。
  論文  参考訳（メタデータ） (2026-05-29T12:59:08Z)
• 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)
• The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
  本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。 通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
  論文  参考訳（メタデータ） (2026-04-27T16:23:09Z)
• SKILLFOUNDRY: Building Self-Evolving Agent Skill Libraries from Heterogeneous Scientific Resources [5.7282243774488295]
  我々は、リソースを検証されたエージェントスキルに変換する自己進化型フレームワークであるSkillFoundryを紹介する。 SkillFoundryは,比較的新規で,内部的に有効なスキルライブラリであることを示す。 また,SkillFoundryは,具体的な科学的目的の要求に応じて,新たなタスク固有のスキルを設計できることを示す。
  論文  参考訳（メタデータ） (2026-04-05T05:02:18Z)
• SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks [61.89812116484928]
  エージェントスキルは、LLMエージェントを推論時に増強する手続き的知識の構造化パッケージである。 SkillsBenchは、11のドメインにわたる86のタスクのベンチマークであり、キュレートされたスキルと決定論的検証との組み合わせを示す。 キュレートされたスキルは平均パスレートを16.2ポイント(pp)上昇させるが、効果は領域によって大きく異なる。 自己生成スキルは平均的に何の利益も与えず、モデルが消費から得られる手続き的な知識を確実に説明できないことを示している。
  論文  参考訳（メタデータ） (2026-02-13T07:06:06Z)
• 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。