論文の概要: Enabling Timely Guidance before Skill Retrieval: Retaining Helpful Warm Tips in Agent Context

• arxiv url: http://arxiv.org/abs/2609.32339v1
• Date: Sat, 26 Sep 2026 07:58:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 17:36:12.825552
• Title: Enabling Timely Guidance before Skill Retrieval: Retaining Helpful Warm Tips in Agent Context
• Title（参考訳）: スキル検索の前にタイムリーガイダンスを実践する:エージェントコンテキストにおけるヘルプフル・ワームティップの保持
• Abstract要約: 既存のスキルメカニズムはメタデータのみを公開し、必要に応じて完全なコンテンツをロードする。 本稿では,既存のスキルメカニズムを補完する機構であるTipsWarmを提案する。 TipsWarmは、最近のスキルや一般的なメモリベースラインと比較して、時間効率を維持しながらタスクの成功率が最も高い。
• 参考スコア（独自算出の注目度）: 26.82974483422463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reusable skills help LLM-based agents solve complex tasks, but the agent must receive guidance before it commits to an ineffective approach. Existing skill mechanisms often expose only metadata and load full content on demand, leaving useful guidance unavailable until the agent decides to retrieve it. General memory methods can incur substantial maintenance overhead, while keeping guidance in conversation context risks repeatedly exposing the agent to irrelevant or harmful advice. We propose TipsWarm, a mechanism that complements existing skill mechanisms by maintaining a budgeted pool of skill-derived keypoints, or \textit{warm tips}, for selective injection into the context of every message turn. By separating event-triggered LLM assessment from inexpensive per-turn screening, it makes transferable skill guidance readily available while controlling maintenance costs. In three coding and iterative task-execution benchmarks, TipsWarm achieves the highest task success rate while remaining time-efficient, compared to recent skill and general memory baselines.
• Abstract（参考訳）: 再利用可能なスキルは、LLMベースのエージェントが複雑なタスクを解決するのに役立つが、エージェントは非効果的なアプローチにコミットする前にガイダンスを受けなければならない。 既存のスキルメカニズムは、しばしばメタデータのみを公開し、必要に応じて完全なコンテンツをロードする。 一般的なメモリメソッドは、会話コンテキストにおけるガイダンスを維持しながら、エージェントを無関係または有害なアドバイスに繰り返し露出させながら、かなりのメンテナンスオーバーヘッドを引き起こす可能性がある。 本稿では,TipsWarmを提案する。TipsWarmは,既存のスキルメカニズムを補完する機構で,各メッセージターンのコンテキストに選択的に注入するための,スキルベースのキーポイントのプール,あるいは‘textit{warm tips} を維持する。 イベントトリガー付きLCM評価をターン当たりの安価なスクリーニングから切り離すことで、メンテナンスコストを抑えながら、移行可能な技術指導を容易に行えるようにする。 3つのコーディングおよび反復的なタスク実行ベンチマークでは、TipsWarmは、最近のスキルや一般的なメモリベースラインと比較して、時間効率を維持しながらタスクの成功率が最も高い。

関連論文リスト

• Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents [44.553954363902356]
  エージェントメモリシステムは、過去の経験を再利用して将来のパフォーマンスを改善する。 既存の設計のほとんどは、タスクが完了すると書き込み時にメモリをキュレートする。 即時要求に合わせたタスク適応ペイロードを開発する。 我々のJust-in-Time Memory(JitMem)は、学習した書き込み時間メモリメソッドと同様に、無メモリエージェントよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-09-23T04:14:53Z)
• LIMBO: Lifelong Inference-Time Memory and Budget Optimization for LLM Agents [9.854318378634874]
  生涯のエージェントは、学習したタスクの能力を維持しながら、新しい機能を継続的に獲得しなければならない。 リプレイは無料ではなく、全てのトラジェクトリ・リプレイは、検索、推論、ツールの使用、そして同じ制限されたプロンプトと計算予算に対する検証と競合する。 メモリを制御可能な推論時間リソースとして扱う最初のオンラインフレームワークであるLIMBOを紹介する。
  論文  参考訳（メタデータ） (2026-09-12T20:39:45Z)
• Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents [15.526916927007049]
  LLMエージェントは、選択のための自然言語記述と計画のための教示体を使用して、ますますサードパーティのスキルに依存している。 Convergent Detour Hijacking(CDH)を紹介します。 複数 LLM バックエンドと 491 のホールドアウトタスクを単一タスクおよび複数ターン条件下で評価した。
  論文  参考訳（メタデータ） (2026-08-12T17:12:49Z)
• From Relevance to Execution Utility: Reward-Aware Dynamic Execution Gating for Skill-Based LLM Agents [13.650750377323567]
  Reward-Aware Dynamic Execution Gate (RADEG) は、スキル検索とエージェント実行の間の軽量でレトリバーに依存しない決定層である。 RADEGは、高価なロールアウトを開始する前にクエリ-バンドルペアの実行ユーティリティを予測する、低コストのサロゲートモデルを学ぶ。 さまざまな実行予算に対して、関連性ベースとランダムなゲーティングを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-08-10T06:28:25Z)
• Knowledge-Centric Self-Improvement [28.85741798328687]
  自己改善型AIシステムはエージェントを、プロンプト、ハーネス、さらにはエージェント自身のコードを最適化することによって改善するオブジェクトとして扱う。 このエージェント中心のビューは、メンテナンスにコストがかかり、転送が困難になる。 我々は,エージェントが汎用的で使い捨てであるような,知識中心の自己改善という補完的パラダイムについて研究する。
  論文  参考訳（メタデータ） (2026-07-21T21:38:39Z)
• What Should a Skill Remember? Quality--Cost Trade-offs in Cost-Aware Skill Rewriting for Language Model Agents [58.87681796862133]
  我々は経済的なレンズを通してスキルの書き直しを勉強する。 我々のフレームワークは、情報保存戦略を用いて、スキル構造をプロファイルし、スキルを書き換える。 SkillsBenchの実験は、戦略間の異なる品質とコストのトレードオフを明らかにしている。
  論文  参考訳（メタデータ） (2026-06-08T12:36:51Z)
• Self-Regulation and Requesting Interventions [63.5863047447313]
  介入要求のための"helper"ポリシーをトレーニングするオフラインフレームワークを提案する。 PRMによる最適介入タイミングを判定し,これらのラベル付き軌道上でヘルパーモデルを訓練する。 このオフラインアプローチは、トレーニング中のコストのかかる介入コールを大幅に削減する。
  論文  参考訳（メタデータ） (2025-02-07T00:06:17Z)
• Multi-Agent Imitation Learning: Value is Easy, Regret is Hard [52.31989962031179]
  我々は,エージェント群を協調させようとする学習者の視点で,マルチエージェント模倣学習(MAIL)問題を研究する。 MAILの以前の作業のほとんどは、基本的には、デモのサポート内で専門家の振る舞いにマッチする問題を減らすものです。 エージェントが戦略的でないという仮定の下で、学習者と専門家の間の価値ギャップをゼロにするのに十分であるが、戦略的エージェントによる逸脱を保証するものではない。
  論文  参考訳（メタデータ） (2024-06-06T16:18:20Z)
• Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
  Intrinsic Reward Matching (IRM) を提案する。 IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
  論文  参考訳（メタデータ） (2022-10-14T00:04:49Z)

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。