論文の概要: Trajectory-Guided Fault Localization for Agent Skill Evolution

• arxiv url: http://arxiv.org/abs/2610.11858v1
• Date: Thu, 08 Oct 2026 12:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.027059
• Title: Trajectory-Guided Fault Localization for Agent Skill Evolution
• Title（参考訳）: エージェントスキル進化のための軌道誘導型故障位置決め
• Abstract要約: エージェントスキルにおける軌道誘導故障の局所化に基づくスキル進化手法であるSkillMorphを提案する。 その中核となる考え方は、実行証拠を特定のスキルの内容にリンクし、リビジョンを生成することである。 SWE-Skills-BenchとCannBotの実験は、SkillMorphによって進化したスキルが、元のスキルよりも高い試行レベルの精度と実行一貫性を一貫して達成していることを示している。
• 参考スコア（独自算出の注目度）: 10.235089248238108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agent skills provide reusable guidance for code agents, but incomplete or unsuitable guidance can impair task execution. To reduce the manual effort of skill refinement, recent approaches use LLMs to generate revisions from execution feedback. However, grounding these revisions in explicit behavioral evidence remains challenging. To address this gap, we propose SkillMorph, a skill-evolution approach based on trajectory-guided fault localization in agent skills. Its core idea is to link execution evidence to specific skill contents before generating revisions. Specifically, SkillMorph compares failure and success evidence in abstracted trajectories across repeated runs and tasks, incorporating changes between evolution loops to identify suspicious actions. It then uses these suspicious actions to localize edit sites in the skills and generate corresponding revisions. Experiments on SWE-Skills-Bench and CannBot show that the skills evolved by SkillMorph consistently achieve higher trial-level accuracy and execution consistency than the original skills and those from four existing skill-evolution methods. We have also applied SkillMorph to automated kernel generation with an AI operator-development team, which has accepted 6 skill-revision pull requests.
• Abstract（参考訳）: エージェントスキルは、コードエージェントに再利用可能なガイダンスを提供するが、不完全または不適切なガイダンスはタスク実行を損なう可能性がある。 近年の手法では,手作業によるスキル改善の取り組みを減らすため,LLMを用いて実行フィードバックからリビジョンを生成する手法が提案されている。 しかし、これらの修正を明示的な行動証拠として根拠づけることは依然として困難である。 このギャップに対処するため,エージェントスキルにおける軌道誘導故障の局所化に基づくスキル進化手法であるSkillMorphを提案する。 その中核となる考え方は、実行証拠を特定のスキルの内容にリンクし、リビジョンを生成することである。 具体的には、SkillMorphは、繰り返し実行とタスクにまたがる抽象的な軌道における失敗と成功の証拠を比較し、不審な動作を特定するために進化ループ間の変更を取り入れている。 そして、不審なアクションを使って、編集サイトをそのスキルにローカライズし、それに対応するリビジョンを生成する。 SWE-Skills-BenchとCannBotの実験によると、SkillMorphによって進化したスキルは、元のスキルと4つの既存のスキル進化メソッドのスキルよりも高い試行レベルの精度と実行一貫性を一貫して達成している。 また、AIオペレータ開発チームによるカーネルの自動生成にもSkillMorphを適用しました。

関連論文リスト

• Skill-V: Verifiable Self-Evolving Skill Library for Interactive Agents [52.62594580060118]
  検証可能な自己進化型スキルライブラリであるSkill-Vを紹介する。 我々は,図書館の進化を促進するために環境成果を用いており,特に,タスク失敗はスキル追加を動機付けている。 我々は、現在のタスクに確実に適用できないと判断された候補を除外するために、適用性に配慮したフィルタを用いる。
  論文  参考訳（メタデータ） (2026-10-08T11:59:42Z)
• A Wrong Turn Does Not Ruin the Journey: Deviation-Guided Skill Self-Evolution for LLM Agents [3.7821992021286306]
  スキルの自己進化は、生産的な問題解決が崩壊し始める場所を特定するべきだ、と私たちは主張する。 本稿では,スキル自己進化のための逸脱点誘導フレームワークであるSkillPivotを提案する。 ToolQA、LogicBench、WildClawBenchの実験は、SkillPivotが競合するスキル進化メソッドよりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-09-24T07:31:00Z)
• Query-Only Backdoor Attacks on Self-Evolving Skills via Trajectory Poisoning [23.79611349616925]
  エージェントスキルは、複雑なタスクの再利用手順をエンコードすることで、大きな言語モデル(LLM)エージェントを改善する。 自己進化型スキルシステムは、実行軌跡からスキルを自動構築および更新するために開発された。 提案するトラジェクティブ・バックドア・アタック(TBA)は,信頼性の高いスキル進化パイプラインをバックドアのスキルを生み出すためのクエリ専用アタックである。
  論文  参考訳（メタデータ） (2026-08-08T19:31:19Z)
• Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
  本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。 プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。 このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
  論文  参考訳（メタデータ） (2026-07-24T17:59:22Z)
• 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)
• SkillRevise: Improving LLM-Authored Agent Skills via Trace-Conditioned Skill Revision [41.562357872885826]
  SkillReviseはエージェントスキルを反復的に洗練するために設計された実行基盤フレームワークである。 SkillReviseは、実行エビデンスからスキル欠陥を診断し、一般的なメモリから関連する修復原則を検索し、実行順に編集を適用する。 単発ベースラインを大幅に上回り、SkillsBenchにおけるベースエージェントの成功率は36.05%から61.63%に向上した。
  論文  参考訳（メタデータ） (2026-05-31T10:19:13Z)
• EmbodiSkill: Skill-Aware Reflection for Self-Evolving Embodied Agents [28.518726581654743]
  エージェントは、さまざまな環境にわたるオブジェクト検索、アクション実行、状態変更をガイドするスキルの恩恵を受けることができる。 既存のスキル自己進化法は主にデジタル環境で開発されている。 エボディスキル(EmbodiSkill)は、スキルの自己進化を具現化するためのトレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T10:33:29Z)
• SkillGen: Verified Inference-Time Agent Skill Synthesis [60.927977774369516]
  SkillGenは、ベースエージェントによって生成されたトラジェクトリから単一の監査可能なスキルを合成するフレームワークである。 再利用可能な成功パターン、繰り返し発生する障害モード、そして近くの成功に現れるが失敗に欠ける行動を特定する。 SkillGenの重要な特徴は、エージェントスキルを、全体的なパフォーマンスに対するスキルのネット効果を実証的に検証するための介入としてモデル化することです。
  論文  参考訳（メタデータ） (2026-05-09T19:24:11Z)
• 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)
• EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification [85.3692584167951]
  Anthropicは、LLMエージェントが多段階のプロフェッショナルタスクに取り組むためのスキルの概念を提案する。 ツールは単一の自己完結型関数であり、スキルは相互依存型多ファイルアーティファクトの構造化バンドルである。 EvoSkillsは、エージェントが複雑なマルチファイルスキルパッケージを自律的に構築できる自己進化型スキルフレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T06:43:20Z)

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。