論文の概要: GraphSkillEvo: Evolutionary Optimization of Graph-Structured Agent Skills
- arxiv url: http://arxiv.org/abs/2609.21749v1
- Date: Fri, 18 Sep 2026 13:24:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.114537
- Title: GraphSkillEvo: Evolutionary Optimization of Graph-Structured Agent Skills
- Title（参考訳）: GraphSkillEvo: グラフ構造化エージェントスキルの進化的最適化
- Abstract要約: グラフ構造化された自然言語アーティファクトとして,スキルを表現することを提案する。
グラフ構造化スキルでは、各ノードは、そのオペレーションガイダンスとともに実行ステップを表す。
グラフ構造化スキルのための人口ベース進化最適化フレームワークであるGraphSkillEvoを紹介する。
- 参考スコア（独自算出の注目度）: 23.11697785486282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skills can improve the performance of Large Language Model (LLM) agents by providing task-specific procedural guidance, while skill optimization further improves their effectiveness through iterative refinement. However, existing skill optimization methods typically represent skills as unstructured natural-language instructions, creating two key challenges: 1) Unstructured skills often lack explicit workflow-level guidance and contain substantial redundancy, making them difficult for LLMs to execute; 2) the vast search space of unconstrained natural-language skills makes skill optimization ineffective. To address these challenges, we propose representing skills as graph-structured natural-language artifacts. In graph-structured skills, each node represents an execution step together with its operational guidance, while directed edges encode context-dependent transitions between steps. Compared to unstructured skills, graph-structured skills can provide clear workflow-level guidance. Moreover, the proposed graph-structured skill can also facilitate skill optimization. Building on this structured representation, we introduce GraphSkillEvo, a population-based evolutionary optimization framework with mutation and crossover operators for graph-structured skills. By maintaining multiple candidate skills and combining effective components, GraphSkillEvo enables broader and more comprehensive exploration of the structured skill space than purely LLM-based iterative self-refinement. Extensive experiments across five agent benchmarks demonstrate that GraphSkillEvo consistently outperforms the strong skill optimization baseline SkillOpt, improving average accuracy by 4.01% on GPT-5.4-nano and 1.76% on GPT-5.4. Our code is available at https://github.com/ruisun7/GraphSkillEvo.
- Abstract（参考訳）: タスク固有の手続き的ガイダンスを提供することで,Large Language Model (LLM)エージェントの性能を向上させることができる。
しかし、既存のスキル最適化手法は、通常、非構造化の自然言語命令としてスキルを表現し、2つの重要な課題を生み出します。
1)非構造化スキルは、明示的なワークフローレベルのガイダンスを欠くことが多く、相当な冗長性を含んでいるため、LLMの実行が困難になる。
2) 制約のない自然言語スキルの膨大な検索スペースは, スキル最適化を効果的にしない。
これらの課題に対処するために、我々は、グラフ構造化された自然言語アーティファクトとしてスキルを表現することを提案する。
グラフ構造化スキルでは、各ノードは実行ステップをオペレーションガイダンスとともに表現し、エッジはステップ間のコンテキスト依存の遷移をエンコードする。
構造化されていないスキルと比較して、グラフ構造化スキルはワークフローレベルの明確なガイダンスを提供することができる。
さらに、提案したグラフ構造化スキルは、スキル最適化を容易にする。
この構造的表現に基づいて、グラフ構造化スキルのための突然変異とクロスオーバー演算子を備えた集団ベースの進化的最適化フレームワークであるGraphSkillEvoを紹介する。
複数の候補スキルを維持し、効果的なコンポーネントを組み合わせることで、GraphSkillEvoは、純粋にLLMベースの反復的自己修正よりも、構造化されたスキル空間のより広範な、より包括的な探索を可能にします。
GPT-5.4-nanoでは平均精度が4.01%向上し、GPT-5.4では1.76%向上した。
私たちのコードはhttps://github.com/ruisun7/GraphSkillEvo.orgから入手可能です。
関連論文リスト
- COBRA-Skills: Contextual Bandit-Guided Evolution for Agent Skill Optimization [55.60171725587438]
大規模言語モデル(LLM)エージェントは、以前のタスク経験から抽出した再利用可能なスキルの恩恵を受けることができる。
既存のスキル最適化手法は、コストのかかる実行ベースの評価と実質的なタスクデータに依存していることが多い。
動的に進化する候補空間上での予算付き逐次最適化としてスキル最適化を定式化する効率的なフレームワークである textbfCOBRA-Skills を導入する。
論文 参考訳（メタデータ） (2026-09-10T15:12:24Z) - 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) - OpenSkillEval: Automatically Auditing the Open Skill Ecosystem for LLM Agents [15.598856888948093]
スキル強化エージェントシステムとスキル自体の自動評価フレームワークであるtextscOpenSkillEvalを提案する。
静的ベンチマークに頼る代わりに、textscOpenSkillEvalは、現実世界のアーティファクトの進化から現実的なタスクインスタンスを自動的に構築する。
600以上の動的に生成されたタスクインスタンスと30のオープンソーススキルを使用して、最先端のモデルとエージェントフレームワークを体系的に評価する。
論文 参考訳（メタデータ） (2026-05-22T14:09:41Z) - 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) - 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) - GraSP: Graph-Structured Skill Compositions for LLM Agents [29.818044584102456]
LLMエージェントのスキルエコシステムは急速に成熟しているが、最近のベンチマークでは、より多くのスキルを提供するエージェントはパフォーマンスを単調に改善しない。
スキル検索と実行の間にコンパイル層を導入する最初の実行可能なスキルグラフアーキテクチャであるGraSPを提案する。
GraSPは、フラットスキルセットをプレコンディションエフェクトエッジで型付き有向非巡回グラフ(DAG)に変換し、ノードレベルの検証でそれらを実行し、5つの型付き演算子を通して局所性バウンドな修復を行う。
論文 参考訳（メタデータ） (2026-04-20T06:31:11Z) - WebXSkill: Skill Learning for Autonomous Web Agents [104.76374637691212]
WebXSkillは、コードベースのスキルと自然言語ガイダンスのギャップを埋めるフレームワークである。
WebArenaとWebVoyagerでは、WebXSkillはタスク成功率をベースラインで最大9.8と12.9ポイント改善する。
論文 参考訳（メタデータ） (2026-04-14T21:48:15Z) - EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification [85.3692584167951]
Anthropicは、LLMエージェントが多段階のプロフェッショナルタスクに取り組むためのスキルの概念を提案する。
ツールは単一の自己完結型関数であり、スキルは相互依存型多ファイルアーティファクトの構造化バンドルである。
EvoSkillsは、エージェントが複雑なマルチファイルスキルパッケージを自律的に構築できる自己進化型スキルフレームワークである。
論文 参考訳（メタデータ） (2026-04-02T06:43:20Z)
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。