論文の概要: ExpVoyager: Direct Experience Navigation for Dynamic Agent Skill Synthesis

• arxiv url: http://arxiv.org/abs/2609.32630v1
• Date: Sat, 26 Sep 2026 13:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:52:28.111226
• Title: ExpVoyager: Direct Experience Navigation for Dynamic Agent Skill Synthesis
• Title（参考訳）: ExpVoyager:動的エージェントスキル合成のための直接体験ナビゲーション
• Abstract要約: LLMエージェントの経験から学ぶことは、自己進化エージェントを開発する上で重要なパラダイムとなっている。 このパラダイムの中で、エージェントスキルは、蓄積された経験を再利用可能な手続き的知識に変換するための有望なソリューションとして現れています。 ExpVoyagerは、スキルキュレーターが様々なビューや解像度で生体験をナビゲートする新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 11.399221632873934
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning from experience in LLM agents has become a key paradigm for developing self-evolving agents that continuously learn and expand their capabilities. Within this paradigm, synthesizing the agent skill has emerged as a promising solution for transforming accumulated experience into reusable procedural knowledge, serving as an important layer for the harness system that supplies agents at runtime. Despite its potential, existing approaches largely abstract past experience into fixed procedural knowledge before downstream demands are known, which risks discarding knowledge that later becomes critical while retaining instance-specific details irrelevant to future tasks. In this paper, we reframe agent skill synthesis as a dynamic navigation problem over past experience, where agents actively explore accumulated trajectories on demand for the current task with targeted and fine-grained access to experience knowledge. To this end, we propose ExpVoyager, a novel framework in which a skill curator navigates raw experience across different views and resolutions, continually identifying reusable procedural knowledge from what it observes while tracking remaining knowledge needs that guide where to navigate next. Extensive experiments demonstrate both the effectiveness and versatility of ExpVoyager, showing consistent improvements in downstream task performance, continual gains as the experience space scales, and practical compatibility with existing skills under efficient experience access.
• Abstract（参考訳）: LLMエージェントの経験から学ぶことは、継続的に学習し、その能力を拡大する自己進化エージェントを開発するための重要なパラダイムとなっている。 このパラダイム内では、エージェントスキルの合成が、蓄積した経験を再利用可能な手続き的知識に変換するための有望なソリューションとして現れ、実行時にエージェントを供給するハーネスシステムの重要なレイヤとして機能している。 その可能性にもかかわらず、既存のアプローチは、ダウンストリーム要求が知られる前に、過去の経験を固定された手続き的知識に抽象化しており、将来のタスクとは無関係にインスタンス固有の詳細を保持しながら、後に重要になる知識を捨てるリスクがある。 本稿では,過去の経験を通して,エージェントのスキル合成を動的ナビゲーション問題として再編成し,エージェントが経験知識へのターゲット的かつきめ細かなアクセスによって,現在のタスクの要求に応じて蓄積された軌道を積極的に探索する。 この目的のために、私たちはExpVoyagerを提案する。これは、スキルキュレーターが様々なビューや解像度で生の体験をナビゲートし、再利用可能な手続き的知識を観察対象から継続的に識別し、残りの知識をトラッキングし、次に進むべき場所を案内する新しいフレームワークである。 ExpVoyagerの有効性と汎用性を実証し、ダウンストリームタスクのパフォーマンスが一貫した改善、経験空間のスケールによる継続的な向上、そして効率的な経験アクセスの下で既存のスキルとの実践的な互換性を示す。

関連論文リスト

• LifeMem: Enabling Lifelong Experience Reuse for LLM Agents [79.11224209641739]
  LifeMemは、エージェントが複数の環境にまたがって知識を伝達できるようにする、生涯学習フレームワークである。 LifeMemは、再利用可能なスキルを抽出するために、基礎となる軌跡に基づく相互作用軌跡を蓄積した。 その結果、LifeMemは生涯学習における効果的な体験再利用を可能にし、学習課題の忘れを減らし、より優れたタスク間移動を実現することができることがわかった。
  論文  参考訳（メタデータ） (2026-09-11T10:00:43Z)
• SkillEvolBench: Benchmarking the Evolution from Episodic Experience to Procedural Skills [31.23929961213889]
  大規模言語モデル(LLM)エージェントは、現実世界のタスクを解きながら豊富なエピソード軌道を蓄積する。 SkillEvolBenchは、経験の再利用からスキル形成まで、このステップを評価するための診断ベンチマークである。 現在のエージェントは、しばしばローカルに適応するが、堅牢な再利用可能なスキルを形成することは滅多にない。
  論文  参考訳（メタデータ） (2026-05-22T18:23:31Z)
• Rethinking Experience Utilization in Self-Evolving Language Model Agents [51.10420305280499]
  自己進化剤は過去の相互作用から経験を蓄積し再利用することで改善する。 本稿では,自己進化型エージェントの重要設計次元としての利用経験について考察する。
  論文  参考訳（メタデータ） (2026-05-08T02:48:49Z)
• Ask Only When Needed: Proactive Retrieval from Memory and Skills for Experience-Driven Lifelong Agents [21.029076711222917]
  ProactAgentは、構造化経験ベース上でのプロアクティブ検索のための、経験駆動の生涯学習フレームワークである。 ExpOnEvoは、過去のインタラクションを、事実記憶、エピソード記憶、行動スキルを含む型付きリポジトリに整理することで、検索が関連するエビデンスと実行可能なガイダンスの両方を提供する。 ProactRLは、検索決定のためのステップレベルの監視を提供し、より良いタスク結果やより高い効率につながる場合にのみ、検索を奨励する。
  論文  参考訳（メタデータ） (2026-04-22T13:50:55Z)
• Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark [57.59000694149105]
  本稿では、自己進化エージェントを構築するためのフレームワークである、経験駆動型生涯学習(ELL)を紹介する。 ELLは、Experience Exploration、Long-term Memory、Skill Learning、Knowledge Internalizationの4つのコア原則に基づいて構築されている。 また、学生の総合的な大学旅行をシミュレートするELLのベンチマークデータセットであるStuLifeを紹介した。
  論文  参考訳（メタデータ） (2025-08-26T13:04:28Z)
• Unsupervised Reinforcement Learning for Transferable Manipulation Skill Discovery [22.32327908453603]
  ロボット工学における現在の強化学習(RL)は、しばしば新しい下流タスクへの一般化の難しさを経験する。 本稿では,タスク固有の報酬にアクセスできることなく,タスクに依存しない方法でエージェントを事前訓練するフレームワークを提案する。 提案手法は,最も多様なインタラクション動作を実現し,下流タスクのサンプル効率を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-04-29T06:57:46Z)

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。