論文の概要: SkillCycle: Co-Evolving Agent Policies and Skill Banks
- arxiv url: http://arxiv.org/abs/2610.09430v1
- Date: Wed, 07 Oct 2026 04:33:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 07:15:05.753099
- Title: SkillCycle: Co-Evolving Agent Policies and Skill Banks
- Title（参考訳）: SkillCycle: エージェントポリシとスキルバンクの共同開発
- Abstract要約: SkillCycleはエージェントポリシーとスキルバンクを共同開発するためのフレームワークです。
SkillCycleは、固定されたスキルバンクとルータによるポリシー学習と、凍結されたポリシーによるルールリビジョンの2つのフェーズを交互に行う。
WebShopでは、3BモデルのSkillCycleは74.74%の成功率と88.37のスコアを推論時のスキル入力なしで達成している。
- 参考スコア（独自算出の注目度）: 19.5212965105977
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Internalizing external skills changes a language agent's capabilities and, with them, the value of its remaining guidance: rules can become redundant, misleading, or insufficient for newly encountered decisions. This creates a coupled problem of learning from skills and adapting the skills that supervise further learning. We introduce SkillCycle, a framework for co-evolving agent policies and skill banks through a feedback loop between skill internalization and rule revision. Our central contribution is to give distillation feedback a second role: token-level contextual differences help locate rules for inspection, while interaction outcomes guide edits to their content and applicability. SkillCycle alternates between two phases: policy learning with a fixed skill bank and router, and rule revision with a frozen policy. Candidate edits undergo rule-level and whole-bank environment comparisons before they guide the next learning cycle. On WebShop, SkillCycle with a 3B model achieves a success rate of 74.74% and a score of 88.37 without inference-time skill inputs, representing relative improvements of 0.73% and 3.96% over the state-of-the-art (SOTA) model, respectively. In Cycle 3 ablations on ALFWorld and WebShop, SkillCycle's no-skill success rates improve by 10.18% and 18.11% relative to a static skill bank, and by 2.41% and 2.50% relative to a single bank update, respectively. These results show that continually revising skill guidance as the agent's capabilities change helps transform external skills into policy capabilities that require no skill inputs at inference. We will release code, configurations, skill banks, and evaluation protocols.
- Abstract（参考訳）: 外部スキルの内在化は、言語エージェントの能力を変え、それらとともに、残りのガイダンスの価値:ルールは、新しく遭遇した決定に対して冗長になり、誤解を招く、あるいは不十分になる可能性がある。
これは、スキルから学び、さらなる学習を監督するスキルを適用するという、複合的な問題を生み出します。
我々は、スキル内部化とルールリビジョンのフィードバックループを通じて、エージェントポリシーとスキルバンクを共進化させるフレームワークであるSkillCycleを紹介する。
トークンレベルのコンテキスト差は、検査のルールを見つけるのに役立ちます。
SkillCycleは、固定されたスキルバンクとルータによるポリシー学習と、凍結されたポリシーによるルールリビジョンの2つのフェーズを交互に行う。
候補は次の学習サイクルを導く前にルールレベルと銀行全体の環境比較を行う。
WebShopでは、SkillCycleは3Bモデルで74.74%の成功率と88.37のスコアを達成し、それぞれ最先端(SOTA)モデルに対して0.73%と3.96%の相対的な改善を示している。
ALFWorldとWebShopのサイクル3では、SkillCycleのノースキルの成功率は静的スキルバンクと比較して10.18%と18.11%、それぞれ2.41%と2.50%改善している。
これらの結果から,エージェントの能力変化によるスキル指導の継続的な改善は,外部スキルを推論時にスキル入力を必要としない政策能力に変換するのに役立つことが示唆された。
コード、設定、スキルバンク、評価プロトコルをリリースします。
関連論文リスト
- TRACE: A Self-Evolving Skill Bank for Consistent, Limit-Aware LLM Agents [41.82249291285459]
TRACEは、モデルウェイトを変更することなく、スキルベースのエージェントの行動知識を反復的に改善する。
GPT-5.5では、TRACEは一貫性(Pass3)を34.6ポイント改善し、59.9%から94.5%に改善した。
これらの結果から,TRACEは高モデルポテンシャルを安定かつ一貫した性能向上に変換することを示した。
論文 参考訳（メタデータ） (2026-08-24T04:36:03Z) - Coalition-Aware Skill Reliability for Self-Evolving Agents [49.43736235959317]
エージェントのスキルバンクに蓄積したスキルが、実際にポジティブなメカニスティックな貢献をするかどうかを検討する。
銀行レベルが上昇する連立政権の公害は、負の連立政権レベルのスキル貢献を隠蔽し、クロスドメイン・ユーティリティ・リバーサル(クロスドメイン・リヴァーサル)であり、ソース・ベネシカル・スキルが移転後の効果を逆転させることを示している。
これらの知見は, スキル蓄積時の連帯認識スキル選択と, 移行後のラベルフリースキルマスキングの2つの信頼性介入の動機となった。
論文 参考訳（メタデータ） (2026-08-23T21:35:22Z) - Progressive Agent Skill Generation via Reinforcement Learning [29.782307460602876]
高品質なエージェントスキルを段階的に生成する強化学習手法であるSkill-$を提案する。
具体的には、スキル構築を個別に評価可能な編集に分解するシーケンシャルな編集プロセスとして、スキル生成を定式化する。
実験によると、Skill-$はパイプラインスタイルの統合に基づく手法よりも効果的なスキルを生み出す。
論文 参考訳（メタデータ） (2026-08-03T04:14:59Z) - SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。
行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。
Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
論文 参考訳（メタデータ） (2026-06-12T08:20:09Z) - 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) - Co-Evolving Skill Generation and Policy Optimization [35.41582114275514]
既存の手法は通常、強力な言語モデルを使用してトラジェクトリを分析し、スキルを生成し、オンライントレーニング中に検索可能なスキルバンクを更新します。
プレストレージスキル検証のためのオンライン強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-07T17:55:55Z) - 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) - SKILLC: Learning Autonomous Skill Internalization in LLM Agents via Contrastive Credit Assignment [4.336665585098371]
本稿では,このコントラストを内部化のための直接学習信号に変換するContrastive Skill Credit Assignment (CSCA) に基づくフレームワークであるSkillCを提案する。
textscSkillCは、同じポリシー更新内でアクティブなスキルタイプからのタスクに対して、ペア化されたスキル注入とスキルフリーのロールアウトをサンプリングする。
スムーズな検証レベル信号は、帰属強度、ロールアウトアロケーション、単調なアクティブセットプルーニングよりも適応的なカリキュラムを駆動する。
論文 参考訳（メタデータ） (2026-05-27T03:21:19Z) - Dynamic Dual-Granularity Skill Bank for Agentic RL [34.161117844675324]
D2Skillはエージェント強化学習のための動的二重粒度スキルバンクである。
再利用可能な経験をタスクスキルに整理し、高いレベルのガイダンスとステップスキルを使って、きめ細かい意思決定支援とエラー修正を行う。
論文 参考訳（メタデータ） (2026-03-30T17:32:11Z) - SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks [61.89812116484928]
エージェントスキルは、LLMエージェントを推論時に増強する手続き的知識の構造化パッケージである。
SkillsBenchは、11のドメインにわたる86のタスクのベンチマークであり、キュレートされたスキルと決定論的検証との組み合わせを示す。
キュレートされたスキルは平均パスレートを16.2ポイント(pp)上昇させるが、効果は領域によって大きく異なる。
自己生成スキルは平均的に何の利益も与えず、モデルが消費から得られる手続き的な知識を確実に説明できないことを示している。
論文 参考訳（メタデータ） (2026-02-13T07:06:06Z)
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。