論文の概要: XRepoSkill: Learning Transferable Skills for Software Engineering Agents

• arxiv url: http://arxiv.org/abs/2609.36807v1
• Date: Tue, 29 Sep 2026 06:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.23428
• Title: XRepoSkill: Learning Transferable Skills for Software Engineering Agents
• Title（参考訳）: XRepoSkill: ソフトウェアエンジニアリングエージェントのためのトランスファー可能なスキルを学ぶ
• Abstract要約: XRepoSkillは、トランスファー可能なスキルを学ぶための軌道ベースのアプローチである。 私たちはスキルをルールの集合として表現し、それぞれにどのアクションをとるか、課題解決時にそれをいつ取るかを指定する。 ルールは問題解決の成功と結びついて検証され、所定の動作が複数のリポジトリにまたがって再帰した場合にのみ保持される。
• 参考スコア（独自算出の注目度）: 24.183968083370164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software engineering agents increasingly use reusable skills distilled from prior experience to resolve repository-level issues, yet such skills often fail to transfer across repositories. A central challenge is that a behavior appearing in a successful trajectory is not necessarily responsible for the successful outcome: it may be genuinely useful, merely incidental, or simply a recurring habit of the model. We introduce XRepoSkill, a trajectory-based approach for learning transferable skills. We represent a skill as a collection of rules, each specifying what action to take and when to take it during issue resolution. XRepoSkill first contrasts successful and failed trajectories of the same agent on the same issue and derives candidate rules from where their execution paths diverge. Each rule is paired with an executable predicate that enables its prescribed behavior to be evaluated systematically on other trajectories. A rule is verified based on its association with successful issue resolution and retained only when its prescribed behavior recurs across multiple repositories; repository-specific variants of the same behavior are then consolidated into transferable rules. For a new issue, XRepoSkill selects relevant rules to guide the agent. We learn skills from publicly released trajectories on the official SWE-bench Verified leaderboard and evaluate them on SWE-bench Pro and DeepSWE using three backbone LLMs from different vendors; none of the evaluation repositories appears in the skill-learning trajectory pool. Against three recent skill learning methods, XRepoSkill achieves the highest issue resolution rate in all six benchmark--LLM combinations. In particular, on the challenging long-horizon DeepSWE benchmark, XRepoSkill improves issue resolution by 10.3 percentage points over the same agent without learned skills and by 5.0 points over the strongest skill-learning baseline.
• Abstract（参考訳）: ソフトウェアエンジニアリングエージェントは、リポジトリレベルの問題を解決するために、以前の経験から抽出した再利用可能なスキルをますます使います。 中心的な課題は、成功した軌道に現れる行動が必ずしも成功の要因であるとは限らないことである。 我々は、トランスファー可能なスキルを学習するための軌道ベースアプローチであるXRepoSkillを紹介する。 私たちはスキルをルールの集合として表現し、それぞれにどのアクションをとるか、課題解決時にそれをいつ取るかを指定する。 XRepoSkillは、最初に同じ問題で同じエージェントの軌道を成功させ失敗したことを対比し、実行パスが分岐する場所から候補ルールを導出する。 各ルールは、その所定の振る舞いを他の軌道上で体系的に評価できる実行可能な述語とペアリングされる。 ルールは問題解決に成功し、複数のリポジトリにまたがって所定の振る舞いが再帰した場合のみ保持され、同じ振る舞いのリポジトリ固有の変種が転送可能なルールに統合される。 新しい問題に対して、XRepoSkillはエージェントをガイドする関連するルールを選択する。 我々は、公式のSWE-bench Verified Leaderboard上の公開トラジェクトリからスキルを学び、異なるベンダーの3つのバックボーンLCMを使用して、SWE-bench ProとDeepSWEでそれらを評価する。 最近の3つのスキル学習手法に対して、XRepoSkillは6つのベンチマーク--LLMの組み合わせで最大の課題解決率を達成した。 特に、挑戦的なロングホライゾンのDeepSWEベンチマークでは、XRepoSkillは、学習スキルのない同一エージェントで10.3%、最強のスキル学習ベースラインで5.0ポイント改善している。

関連論文リスト

• S3Gym: Can LLMs Turn Self-Testing and Self-Judging into Self-Improvement? [66.17176838165994]
  大規模言語モデル(LLM)は、ますます外部環境と相互作用し、かなりの行動経験を蓄積する。 エージェントがその振る舞いを積極的にテストし、得られた経験を判断し、その経験を使って将来の意思決定を改善することができるかどうかは不明だ。 LLM自己改善評価のための対話型ベンチマークである textbfStextsuperscript3Gym を導入する。
  論文  参考訳（メタデータ） (2026-08-31T17:05:41Z)
• FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents [49.519184792774304]
  FailForgeは、失敗したロールアウトをトレーニングシグナルに変換するエージェントフレームワークである。 FailForgeは、これまで失敗したインスタンスの26%を、限界的な追加コストでリカバリする。
  論文  参考訳（メタデータ） (2026-08-09T08:22:57Z)
• AEVAL: From Anecdotal to Deterministic Testing for Agentic Skill Workflows [1.6785141970297952]
  AEVAL(Agentic Evaluation)はCI統合フレームワークで、このプラクティスをエージェントスキルのための決定論的かつ再現可能なテストパイプラインに置き換える。 すべてのスキル変更がテストイベントをトリガーする。スキルは、自動エグゼキュータ内の開発者が宣言した評価契約に対して実行される。 鍵となる要素は、実行子とグレーダの間の構造的分離であり、微妙だが広汎な障害モードを防止する。
  論文  参考訳（メタデータ） (2026-07-16T21:33:05Z)
• Trace2Skill: Distill Trajectory-Local Lessons into Transferable Agent Skills [21.971456179996093]
  Trace2Skillは、人間の専門家がいかにスキルを作成できるかを反映するフレームワークです。 個々のトラジェクトリにシーケンシャルに反応する代わりに、Trace2Skillは並列なサブエージェント群を派遣して、さまざまな実行プールを分析する。 トラジェクトリ固有のレッスンを抽出し、階層的にそれらをインダクティブ推論を通じて統合され、コンフリクトフリーなスキルディレクトリに集約する。
  論文  参考訳（メタデータ） (2026-03-26T08:26:38Z)
• Learning from Diverse Reasoning Paths with Routing and Collaboration [65.77515749498575]
  経路品質フィルタリング,条件付きルーティング,ピアラーニングを組み合わせたQR-Distill(Quality-filtered Routing with Cooperative Distillation)を提案する。 従来のシングルパス蒸留法やマルチパス蒸留法よりもQR-ディスティルが優れていることを示す実験がある。
  論文  参考訳（メタデータ） (2025-08-23T01:15:57Z)
• Self-Evolving Curriculum for LLM Reasoning [96.10277986436172]
  自己進化カリキュラム(Self-Evolving Curriculum, SEC)は、RLファインチューニングプロセスと並行してカリキュラムポリシーを学習する自動カリキュラム学習手法である。 実験により、SECはモデルの推論能力を大幅に改善し、より困難で配布外のテスト問題へのより良い一般化を可能にした。
  論文  参考訳（メタデータ） (2025-05-20T23:17:15Z)

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。