論文の概要: Subagents vs Agent Skills: Executing Reusable Knowledge for Long-Horizon Agentic Tasks

• arxiv url: http://arxiv.org/abs/2609.09233v1
• Date: Mon, 07 Sep 2026 20:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.740357
• Title: Subagents vs Agent Skills: Executing Reusable Knowledge for Long-Horizon Agentic Tasks
• Title（参考訳）: サブエージェント対エージェントスキル:長期エージェントタスクにおける再利用可能な知識の実行
• Abstract要約: 本稿では,サブエージェントの実行が,スキルパッケージが明確な入出力契約を公開すると,エージェントスキルの実行よりも優れていることを示す。 再利用可能な知識の利点は、その内容だけでなく、どのように組織化され、どのように呼び出されるかにも依存している。
• 参考スコア（独自算出の注目度）: 15.900236740254634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can language model agents effectively leverage libraries of reusable knowledge to solve long-horizon tasks? Recent work has increasingly focused on agent skills: reusable capabilities represented as skill packages, i.e., multi-file bundles containing instructions, scripts, and other resources that help agents perform specific tasks. Agent skills are typically executed by loading their skill instructions into an agent's context and relying on the agent to follow them. As task horizons grow, however, this approach becomes increasingly brittle, because reasoning quality degrades as more information accumulates in the context window. We investigate an alternative approach in which skill packages are instead invoked as subagents. Rather than loading skill instructions into the main context, subagent execution spawns fresh context windows dedicated to solving individual subtasks. We show that subagent execution outperforms agent-skill execution when skill packages expose clear input-output contracts and their instructions encode the procedural knowledge needed to fulfill those contracts. The tradeoff is additional communication overhead, as extra tokens are required to coordinate between the main agent and its subagents. Our results show that the benefit of reusable knowledge depends not only on its content, but also on how it is organized and invoked.
• Abstract（参考訳）: 言語モデルエージェントは、再利用可能な知識のライブラリを効果的に活用して長期タスクを解決できるのか? スキルパッケージとして表現される再利用可能な機能、すなわち、エージェントが特定のタスクを実行するのに役立つ命令、スクリプト、その他のリソースを含むマルチファイルバンドルである。 エージェントスキルは通常、エージェントのコンテキストにスキル命令をロードし、それに従うエージェントに依存することで実行される。 しかしタスクの地平線が大きくなるにつれて、コンテキストウィンドウにより多くの情報が蓄積されるにつれて、推論品質が低下するため、このアプローチはますます脆弱になる。 スキルパッケージをサブエージェントとして呼び出す方法について検討する。 メインのコンテキストにスキル命令をロードする代わりに、サブエージェントの実行によって個々のサブタスクを解決するための新しいコンテキストウィンドウが生成される。 本稿では,これらの契約を満たすために必要な手続き的知識をコード化して,スキルパッケージが明確な入出力契約を公開すると,サブエージェントの実行がエージェントスキルの実行より優れていることを示す。 トレードオフは、メインエージェントとそのサブエージェント間の調整に余分なトークンが必要であるため、通信オーバーヘッドの追加である。 再利用可能な知識の利点は、その内容だけでなく、どのように組織化され、どのように呼び出されるかにも依存している。

関連論文リスト

• Authoring Agent Skills: A Software-Engineering Approach [1.3774017060585184]
  Agent Skillsは、エージェントが要求に応じてロードする再利用可能な手続き的知識を備えた、大規模な言語モデルエージェントを拡張する新しい方法である。 AnthropicはAgens Skillsを導入し、いくつかのエージェントツールでサポートされているオープン仕様としてフォーマットを公開した。 このメモは、スキルはソフトウェアアーチファクトであり、その構築はソフトウェアエンジニアリングの原則に従うべきであると主張している。
  論文  参考訳（メタデータ） (2026-07-27T19:43:41Z)
• 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)
• AgentFugue: Agent Scaling for Long-Horizon Tasks through Collective Reasoning [57.72181998599248]
  AgentFugueは、共通の推論ハブを中心に構築された、集合的推論フレームワークである。 ピアエージェントが同じタスクを並列に探索する際、ハブは各エージェントが何を確立、試み、あるいは除外したかを簡潔に記録する。 この結果から,集団推論によってピアエージェントシステムのスケールアウトが実現可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-23T09:21:51Z)
• 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)
• A Comprehensive Survey on Agent Skills: Taxonomy, Techniques, and Applications [18.01291032624805]
  大きな言語モデル(LLM)ベースのエージェントは、複雑なタスクを自動化するための有望なパラダイムとして、ツール、メモリ、構造化された相互作用を推論し、計画し、行動する。 しかし、エージェントがオープンエンドの現実世界のデプロイメントに向かっていくにつれ、すべてのタスクに対するオフスクラッチ推論と低レベルのツールコールが、ますます非効率になり、エラーが発生し、メンテナンスが困難になる。 本研究は,タスク固有の制約の下で,ツール,メモリ,ランタイムコンテキストを協調する再利用可能な手続き的アーティファクトとして定義する。
  論文  参考訳（メタデータ） (2026-05-08T07:10:26Z)
• AgentSearchBench: A Benchmark for AI Agent Search in the Wild [21.739444037726418]
  本稿では,エージェント検索のための大規模ベンチマークであるAgentSearchBenchを紹介する。 このベンチマークは、エージェント検索を検索として形式化し、実行可能タスククエリと高レベルタスク記述の両方で問題を再分類する。 実行認識型探索を含む軽量な行動信号は、ランキング品質を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2026-04-24T10:53:54Z)
• 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)
• SkillJect: Automating Stealthy Skill-Based Prompt Injection for Coding Agents with Trace-Driven Closed-Loop Refinement [120.52289344734415]
  エージェントスキルに適したステルスプロンプトインジェクションのための自動フレームワークを提案する。 フレームワークは、明示的なステルス制約の下でインジェクションスキルを合成するアタックエージェント、インジェクションされたスキルを使用してタスクを実行するコードエージェント、アクショントレースをログする評価エージェントの3つのエージェントでクローズドループを形成する。 本手法は,現実的な環境下で高い攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-15T16:09:48Z)
• AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
  持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。 エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。 本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:49:18Z)
• Explaining Reinforcement Learning Policies through Counterfactual Trajectories [147.7246109100945]
  人間の開発者は、RLエージェントがテスト時にうまく機能することを検証しなければならない。 本手法では, エージェントの挙動をより広い軌道分布で示すことにより, エージェントの挙動を分布変化下で表現する。 本研究では,2つのエージェント検証タスクのうちの1つに対して,ベースライン法よりも優れたスコアを得られることを示す。
  論文  参考訳（メタデータ） (2022-01-29T00:52:37Z)

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。