論文の概要: HEXIS: Compiling Agent Skills into Extended Finite State Machines

• arxiv url: http://arxiv.org/abs/2609.30123v2
• Date: Sat, 26 Sep 2026 09:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.805953
• Title: HEXIS: Compiling Agent Skills into Extended Finite State Machines
• Title（参考訳）: HEXIS: エージェントスキルを拡張有限状態マシンにコンパイルする
• Abstract要約: HEXISはエージェントスキルを拡張有限状態マシンにコンパイルする。 マシンは実行の進捗と中間結果を記録する。 Qwen3.8-27Bはベンチマークで実行トークンを38.4-88.9%削減する。
• 参考スコア（独自算出の注目度）: 2.593880841605373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent skills provide instructions and reusable knowledge, yet agents have to frequently infer which action to take next. This skill's execution paradigm combines task reasoning with control decisions, which could cause the agent to act improperly or omit necessary steps. To improve agent compliance for skills, we introduce HEXIS, which compiles agent skills into extended finite state machines (FSM) that separate knowledge from control flow. Skill knowledge is incorporated into local instructions that guide reasoning and generation within states. The machine records execution progress and intermediate results, while explicit transition conditions determine subsequent operations. Our incremental compiler first maps skill clauses and tool interfaces to state operations, local instructions, data bindings, and transitions. It then aligns development traces with existing states to identify missing operations and dependencies. These are incorporated by adding or reusing states and refining their connections. Updates are accepted only after static checks and replay of the current and all previously accepted traces. Across four benchmarks and four executors, HEXIS improves success over Skill + ReAct by 16.2 percentage points on average. Qwen3.8-27B reduces execution tokens by 38.4-88.9% across benchmarks.
• Abstract（参考訳）: エージェントスキルは指示と再利用可能な知識を提供するが、エージェントは次にどのアクションをとるかを頻繁に推測する必要がある。 このスキルの実行パラダイムは、タスク推論と制御決定を組み合わせることで、エージェントが不適切に行動したり、必要なステップを省略したりする可能性がある。 HEXISを導入し、エージェントスキルを有限状態機械(FSM)にコンパイルし、制御フローから知識を分離する。 スキル知識は、州内の推論と生成を導く地元の指示に組み込まれている。 マシンは実行進捗と中間結果を記録し、明示的な遷移条件はその後の動作を決定する。 インクリメンタルコンパイラはまず、スキル条項とツールインターフェースをステート操作、ローカル命令、データバインディング、トランジションにマップします。 その後、開発トレースを既存の状態と整合させて、不足している操作と依存関係を特定する。 これらは、状態を追加または再利用し、接続を書き換えることによって組み込まれます。 更新は、静的なチェックと、現在および以前に受け入れられたすべてのトレースの再生後にのみ受け入れられる。 4つのベンチマークと4つのエグゼキュータで、HEXISはSkill + ReActを平均16.2ポイント改善している。 Qwen3.8-27Bはベンチマークで実行トークンを38.4-88.9%削減する。

関連論文リスト

• From Interaction Traces to Persistent Skills: Online Evolution for Computer-Use Agents [48.50635499112162]
  本稿では,インタラクショントラジェクトリと評価器フィードバックを再利用手順の永続的でバージョン管理された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を提案する。 我々は、OSWorldの4つのアプリケーションドメインにまたがって、完全に進化するライブラリシステムと、設定にマッチした空のライブラリ制御を比較した。 GIMPでは、プロファイランス・アウェア・アナリティクスにより、タスク・オブ・オリジンの境界を越えた検索とリビジョンが示され、繰り返し受け入れられた編集が元のタスクの回復に失敗する。
  論文  参考訳（メタデータ） (2026-09-04T08:29:45Z)
• SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams [55.90739575113059]
  再利用の欠如は、関連するタスクのクラスタによって共有される解決手順であり、その周りでSkillGLoWを構築している、と我々は主張する。 4つのベンチマーク(数学的推論、端末の自動化、ソフトウェア修復、実施制御)と3つのモデルで、前者は平均17.2ポイント(ハード)を獲得している。
  論文  参考訳（メタデータ） (2026-09-02T07:31:18Z)
• SKILL.state: Scalable Long-Horizon Agent Skills [0.0]
  我々は、追加のみの会話履歴を明示的で変更可能な実行状態に置き換えるランタイムアーキテクチャであるSKILLを紹介する。 以上の結果から,明示的実行状態は拡張性のある長期エージェントスキルに対して,効果的かつアーキテクチャに依存しない抽象化であることが示された。
  論文  参考訳（メタデータ） (2026-08-26T18:00:06Z)
• When Not to Imitate: Boundary-Aware Skill Memory for Reliable Tool-Use LLM Agents [62.10623192614306]
  過去の成功からスキルを抽出することは、Large Language Model (LLM)エージェントの効率的な進化に不可欠である。 textbfBoundary-Aware Skill Memory (BASM)を提案する。 BASMは、成功度の高いスキルメモリベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-23T10:16:06Z)
• SkillConsist: Detecting Inconsistencies in Agent Skills via Bidirectional Graph Alignment [8.140228855572433]
  エージェントスキルの不整合は、未公表の危険な行動を公開するか、間違ったスキル選択を引き起こす。 最近のエージェントスキル研究は、エージェントスキル一貫性の検出をますます調査している。 両課題に対処するため,SkillConsistを提示する。
  論文  参考訳（メタデータ） (2026-08-07T16:04:21Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• SkillJuror: Measuring How Agent Skill Organization Changes Runtime Behavior [23.11308948097101]
  現在のベンチマークでは、スキルがどのように組織化されているのかを区別することは滅多にありません。 我々は、この区別をプログレッシブ・開示(Progressive Disclosure)を通じて研究し、簡潔なルートファイルが要求に応じてリソースを支援するためにエージェントを指示する。 本稿では,スキル記述パラダイムを評価するフレームワークであるSkillJurorを紹介する。
  論文  参考訳（メタデータ） (2026-06-10T01:11:50Z)
• ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents [59.626170560327274]
  textbfClawForgeは、ステートコンフリクト下で実行可能なコマンドラインカテゴリのためのジェネレータベースのベンチマークフレームワークである。 私たちはこのフレームワークをClawForge-Bench(17のシナリオ、6の能力カテゴリ)としてインスタンス化します。
  論文  参考訳（メタデータ） (2026-05-13T21:34:08Z)

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。