Fugu-MT 論文翻訳(概要): Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation

論文の概要: Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation

arxiv url: http://arxiv.org/abs/2609.38024v1
Date: Tue, 29 Sep 2026 17:06:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.771388
Title: Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation
Title（参考訳）: クロスハーネス適応による検索強化スキル最適化
Abstract要約: エージェントスキルは、エージェントが与えられたハーネスの下で効果的にタスクを実行するように誘導する再利用可能な、行動可能な自然言語アーティファクトである。近年、エージェントスキルの最適化について研究され、公開スキルの収集に寄与している。我々は、スキル最適化を通じて事前知識として外部スキルコーパスを活用するフレームワークである textbfRetrieval-Augmented Skill Optimization (RASO) を提案する。
参考スコア（独自算出の注目度）: 38.330638706297215
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An agent skill is a reusable, actionable natural-language artifact that guides an agent to perform a task effectively under a given harness. Recent studies have explored the optimization of agent skills, contributing to a growing collection of publicly available skills spanning diverse tasks, domains, and harnesses. Despite millions of publicly shared skills, existing skill optimization methods largely overlook this accumulated knowledge, instead relying solely on expensive agent rollouts to iteratively refine skills for a target task. To address this, we propose \textbf{Retrieval-Augmented Skill Optimization (RASO)}, a framework that leverages an external skill corpus as prior knowledge throughout skill optimization. RASO retrieves relevant knowledge from existing skills and adapts it to the target task and harness via Cross-Harness Adaptation, accounting for mismatches in both domain and harness. RASO comprises two complementary stages: \textbf{Retrieval-Augmented Skill Initialization (RASI)} constructs a knowledge-grounded initial skill without requiring agent rollouts, while \textbf{Retrieval-Augmented Skill Update (RASU)} iteratively refines the skill by retrieving external knowledge guided by execution feedback. Across four agent benchmarks and two models, extensive experiments show that RASO consistently outperforms baselines without retrieval-augmented skill initialization and updating.
Abstract（参考訳）: エージェントスキルは、エージェントが与えられたハーネスの下で効果的にタスクを実行するように誘導する再利用可能な、行動可能な自然言語アーティファクトである。近年、エージェントスキルの最適化について研究され、様々なタスク、ドメイン、ハーネスにまたがる公開スキルの収集に寄与している。数百万の公開スキルにもかかわらず、既存のスキル最適化手法は、この蓄積した知識を概ね見落とし、ターゲットタスクのスキルを反復的に洗練するために、高価なエージェントロールアウトにのみ依存する。そこで本稿では, 外部スキルコーパスを事前知識として活用するフレームワークである, RASO(textbf{Retrieval-Augmented Skill Optimization)を提案する。 RASOは、既存のスキルから関連する知識を取得し、対象のタスクに適応し、クロスハーネス適応(Cross-Harness Adaptation)を通じて、ドメインとハーネスのミスマッチを考慮に入れます。 RASOは2つの補完段階から構成される: \textbf{Retrieval-Augmented Skill Initialization (RASI)はエージェントのロールアウトを必要とせずに知識に基づく初期スキルを構築する。 4つのエージェントベンチマークと2つのモデルで、RASOは、検索強化されたスキルの初期化と更新なしに、ベースラインを一貫して上回ることを示した。

関連論文リスト

Search2Skill: Skill Distillation Beyond Knowledge Boundaries Via Rubric-Based Reinforcement Learning [38.331356573409884]
本稿では,エージェントの能力ギャップを自動的に識別し,外部ソースを検索して対処する新しいフレームワーク,Search2Skillを提案する。 3つのベンチマークによる8つのエキスパートレベルドメインの実験は、Search2Skillが検索強化とトラジェクトリベースのスキル学習ベースラインを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2026-08-05T15:09:07Z)
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)
Skill0.5: Joint Skill Internalization and Utilization for Out-of-Distribution Generalization in Agentic Reinforcement Learning [25.966432263031397]
Skill0.5は、一般的なスキル内部化とタスク固有のスキル利用を組み合わせることで、スキル処理を明確に区別する新しいエージェントRLフレームワークである。特典蒸留によって一般的なスキルを内包し、ハードタスクの認知基盤を構築すると同時に、ショートカットをペナルティ化し、特定のスキル利用を強制するための簡単なタスクを診断する。 ALFWorldとWebShopの実験では、Skill0.5はメモリベースのRLベースラインとスキルベースのRLベースラインの両方を上回っている。
論文参考訳（メタデータ） (2026-05-27T12:54:33Z)
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)
SkillOS: Learning Skill Curation for Self-Evolving Agents [67.94374107466957]
本稿では,自己進化エージェントのスキルキュレーションを学習するための,経験駆動型RLトレーニングレシピであるSkillOSを提案する。 SkillOSは、凍結したエージェントエグゼキュータとトレーニング可能なスキルキュレーターを組み合わせて、蓄積したエクスペリエンスから外部SkillRepoを更新する。 SkillOSは、メモリフリーと強力なメモリベースラインを、有効性と効率の両方で一貫して上回っていることを示す。
論文参考訳（メタデータ） (2026-05-07T17:31:50Z)
From Context to Skills: Can Language Models Learn from Context Skillfully? [56.5857437218136]
Ctx2Skillは、コンテキスト固有のスキルを自律的に発見、洗練、選択する自己進化フレームワークである。より良い文脈学習能力を得るために、どんな言語モデルにもプラグインできる。
論文参考訳（メタデータ） (2026-04-30T09:53:15Z)
Skill Retrieval Augmentation for Agentic AI [28.71123853744993]
既存のエージェントシステムでは、スキルを取り入れるための主要な戦略は、コンテキストウィンドウ内で利用可能なスキルを列挙することである。本稿では,SRA(Skill Retrieval Augmentation, SRA)を定式化し, エージェントが要求に応じて外部スキルコーパスから適切なスキルを動的に取得し, 取り入れ, 適用する新しいパラダイムについて述べる。 SRA-Benchは、完全なSRAパイプラインの評価のための最初のベンチマークであり、スキル検索、スキルの取り込み、エンドタスクの実行をカバーしている。
論文参考訳（メタデータ） (2026-04-27T15:19:59Z)

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。