論文の概要: SkillSpec: Consensus-Gated Agent Skill Evolution via Representation Specialization

• arxiv url: http://arxiv.org/abs/2610.00704v1
• Date: Wed, 30 Sep 2026 20:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.763436
• Title: SkillSpec: Consensus-Gated Agent Skill Evolution via Representation Specialization
• Title（参考訳）: SkillSpec: Representation Specializationによるコンセンサスのエージェントスキル進化
• Abstract要約: SkillSpecはコンセンサス付き進化と表現の特殊化からなる2段階のフレームワークである。 SkillSpecはSkillOptよりも平均成功率を6.89%改善し、3つのモデルで平均化している。
• 参考スコア（独自算出の注目度）: 8.52202553192961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural-language skills are textual procedural memories through which large language model (LLM) agents retain reusable task knowledge without updating model weights. Existing methods typically treat skills as either static artifacts or monolithic documents optimized using aggregate validation scores as feedback. However, representing a skill as a monolithic document restricts optimization to its textual content, without explicitly modeling the structure through which procedural knowledge is retrieved and executed. We identify a key distinction between learning what knowledge to retain and determining how to organize it: textual updates should first be validated through execution evidence, after which the retained knowledge should be structured according to its procedural dependencies and retrieval requirements. To this end, we introduce SkillSpec, a two-phase framework comprising consensus-gated evolution and representation specialization. In the consensus-gated phase, complementary editing intents generate complete candidate skills. An update is committed only when paired evaluations reach consensus, requiring sufficient overall improvement and non-negative aggregate paired gain in every repeated evaluation. In the specialization phase, signals of process and redundancy sensitivity derived from the full optimization trajectory, including accepted and rejected candidates, guide the selection of a flat, graph, or hybrid representation.Across six benchmarks and three target language models, SkillSpec improves average success rate over SkillOpt by 6.89%, averaged across the three models. These results demonstrate that reliable skill evolution and representation specialization address complementary objectives: deciding what knowledge to retain and how to structure it for inference.
• Abstract（参考訳）: 自然言語スキルは、大規模言語モデル(LLM)エージェントがモデルの重みを更新することなく再利用可能なタスク知識を保持するテキスト手続き記憶である。 既存のメソッドは通常、静的アーティファクトまたはアグリゲートバリデーションスコアをフィードバックとして最適化したモノリシックなドキュメントとしてスキルを扱う。 しかし,そのスキルをモノリシックな文書として表現することは,手続き的知識を検索・実行する構造を明示的にモデル化することなく,テキストコンテンツへの最適化を制限している。 テキスト更新は、まず、実行証拠を通じて検証され、その後、その手続き的依存関係と検索要求に従って保持された知識が構造化されるべきである。 この目的のために,コンセンサス付き進化と表現特化を含む2段階のフレームワークであるSkillSpecを紹介した。 コンセンサス付きフェーズでは、補完的な編集意図が完全な候補スキルを生成する。 更新は、ペア評価がコンセンサスに達する場合にのみコミットされ、繰り返し評価されるたびに、十分な全体的な改善と非負のアグリゲーションペアゲインが必要になる。 特殊化段階では、承認された候補や拒否された候補を含む全最適化軌道から得られるプロセスの信号と冗長性感度が、フラット、グラフ、ハイブリッド表現の選択を導く。 これらの結果は、信頼できるスキルの進化と表現の専門化が相補的な目的、すなわち、どの知識を保持すべきかを決定することと、それを推論のためにどのように構成するかを示す。

関連論文リスト

• Prompt2Skill: Unsupervised Skill Optimization From Natural Language Instructions [82.71984300701065]
  本稿では、自然言語によるタスク記述だけでスキルを構築するフレームワークであるPrompt2Skillを紹介する。 質問応答、理解、スプレッドシート操作、数学的推論の4つの領域にまたがって、Prompt2Skillは、ダイレクトプロンプトベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-09-29T21:53:56Z)
• EvoSkillRec: Skill-Genome Evolution for Recommender Architecture Discovery [49.42532199240193]
  EvoSkillRecは累積リコメンデータアーキテクチャ進化のためのプロモーション・アンド・リユースフレームワークである。 推奨者を原子実行可能なスキルに分解し、アーキテクチャを型付きスキルゲノムとして表現する。 まず、検証済みのスキルを変異、再結合、特殊化、再利用し、LLMプランナーとシンセサイザーが新しいスキルモジュールを発明するオープンエンドのコード空間を作る。
  論文  参考訳（メタデータ） (2026-09-28T08:12:08Z)
• SkillForge: Compositional Skill Synthesis with Verification-in-the-Loop for Generating Formally Verified Dafny Programs [10.916179875278326]
  我々は、形式的なコード合成をアトミックで再利用可能なスキルのライブラリに分解するフレームワークであるSKILLFORGEを紹介する。 検証駆動ハーネスはこれらのスキルを編成する。 Dafny仕様のペアに対する自然言語のキュレートされたベンチマークでは、SKILLFORGEは最先端のエージェントアプローチよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-08-30T15:15:00Z)
• 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)
• Task Decomposition-Guided Reranking for Adaptive Agent Skill Retrieval [16.270741233471107]
  本稿では,適応型スキル選択のための推論時間更新フレームワークであるSkillRerankerを提案する。 我々は、SkillRerankerがタスク性能を効果的に改善し、環境相互作用のステップを減らし、トークン消費を減らすことを示す。
  論文  参考訳（メタデータ） (2026-07-07T13:49:08Z)
• Generative Skill Composition for LLM Agents [58.47191648555256]
  LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。 スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。 本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
  論文  参考訳（メタデータ） (2026-06-30T17:53:09Z)
• 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)
• 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)

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。