論文の概要: Code Skill Server: A Large-Scale Search Engine for Code Generation Skills
- arxiv url: http://arxiv.org/abs/2610.23186v1
- Date: Fri, 16 Oct 2026 09:23:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.852613
- Title: Code Skill Server: A Large-Scale Search Engine for Code Generation Skills
- Title（参考訳）: Code Skill Server: コード生成スキルのための大規模検索エンジン
- Abstract要約: 我々は,目標タスクに最も有用なコード生成スキルを見つけるための大規模検索エンジンであるCode Skill Server(CSS)を紹介した。
CSSは、複数のソースから利用可能なコード生成スキルをインクリメンタルに収集し、インデックス化する。
実験によると、最高のCSS設定は、Pass@1を最大13.91%改善し、すべての評価モデルを少なくとも4.21%改善している。
- 参考スコア（独自算出の注目度）: 28.026249346437137
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Agent skills have proven to be an effective technique for improving agent ability on specific tasks, including software engineering, natural science, and mathematics. During such a process, using agent skills often involves manually discovering and organizing skills from heterogeneous sources, while existing skill retrieval methods mainly focus on selecting relevant skills from established skill libraries. However, with the rapidly increasing number and variety of reusable agent skills, manually searching for relevant skills across heterogeneous sources is becoming impractical at scale. In this paper, we introduce the Code Skill Server (CSS), a large-scale search engine for finding the most useful code generation skills for a target task. CSS consists of a skill server that incrementally collects and indexes publicly available code generation skills from multiple sources, with 993 skills included in the corpus used in this work. Extensive experiments across different retrieval methods and code generation benchmarks show that the best CSS configuration improves Pass@1 by up to 13.91% and consistently improves all evaluated models by at least 4.21% in the cross-model evaluation. These results demonstrate that CSS can effectively search for and serve relevant skills, improving code generation quality and enhancing models' code generation capabilities. Code and the CSS-993 corpus are available at {https://github.com/haoyuli-sdu/CodeSkillServer}.
- Abstract（参考訳）: エージェントスキルは、ソフトウェア工学、自然科学、数学など、特定のタスクにおけるエージェント能力を改善する効果的なテクニックであることが証明されている。
このようなプロセスにおいて、エージェントスキルの使用は、しばしば異種ソースからのスキルを手動で発見・整理するが、既存のスキル検索方法は、確立したスキルライブラリから関連するスキルを選択することに集中する。
しかし, 再利用可能なエージェントスキルが急速に増加し, 多様な再利用可能なエージェントスキルによって, 異種ソースをまたいだ手作業による関連スキルの探索は, 大規模に非現実的になりつつある。
本稿では,目標タスクに最も有用なコード生成スキルを見つけるための大規模検索エンジンであるCode Skill Server(CSS)を紹介する。
CSSは、複数のソースから利用可能なコード生成スキルをインクリメンタルに収集、インデックスするスキルサーバで構成されており、この作業で使用されるコーパスには993のスキルが含まれている。
異なる検索方法とコード生成ベンチマークの広範な実験により、最高のCSS構成はPass@1を最大13.91%改善し、すべての評価モデルを少なくとも4.21%改善することを示した。
これらの結果は、CSSが関連スキルを効果的に検索し、提供し、コード生成の品質を改善し、モデルのコード生成能力を向上できることを示している。
コードとCSS-993コーパスは、https://github.com/haoyuli-sdu/CodeSkillServer}で入手できる。
関連論文リスト
- SkillAlchemy: Open-World Agent Skill Creation [11.836010370630568]
エージェントスキルは、言語エージェントを特殊化、ツール規約、推論時のドメイン動作で拡張する再利用可能な手続き的アーティファクトである。
信頼できるスキルを作るには、人間のオーサシップ、モデルの事前、実行トレースに大きく依存します。
本稿では,SkillAlchemyを提案する。
論文 参考訳（メタデータ） (2026-08-24T15:58:57Z) - Skill2Query: Exploiting Skill Structure to Generate Pseudo-Queries for Agent Skill Retrieval [23.49934184220403]
擬似クエリ生成は、エージェントスキル検索の監視ボトルネックを軽減することができる。
本稿では,スキルドキュメントをスキル知識グラフに解析し,擬似クエリを生成するフレームワークであるSkill2Queryを提案する。
生成されたクエリは、オフラインインデックス拡張、オンラインクエリ拡張、レトリバートレーニングに使用することができる。
論文 参考訳（メタデータ） (2026-08-17T04:04:19Z) - 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) - RESOURCE2SKILL: Distilling Executable Agent Skills from Human-Created Multimodal Resources [34.489558310096776]
2SKILLはチュートリアルビデオ、記事、参照アーティファクトを含むマルチモーダルリソースをソフトウェアエージェントの実行可能なスキルに蒸留するフレームワークである。
これらのスキルは階層的なマルチモーダルスキルウィキとして整理され、各エントリは構造化されたテキスト、コード、ビジュアルな例、メタデータ、そして証明を組み合わせている。
時には、エージェントはwikiから関連スキルを検索して作成し、カバレッジが不十分な場合は、オンラインで新しいスキルを取得できる。
論文 参考訳（メタデータ） (2026-06-28T17:59:21Z) - 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) - 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) - SKILLFOUNDRY: Building Self-Evolving Agent Skill Libraries from Heterogeneous Scientific Resources [5.7282243774488295]
我々は、リソースを検証されたエージェントスキルに変換する自己進化型フレームワークであるSkillFoundryを紹介する。
SkillFoundryは,比較的新規で,内部的に有効なスキルライブラリであることを示す。
また,SkillFoundryは,具体的な科学的目的の要求に応じて,新たなタスク固有のスキルを設計できることを示す。
論文 参考訳（メタデータ） (2026-04-05T05:02:18Z) - SkillCraft: Can LLM Agents Learn to Use Tools Skillfully? [67.69996753743129]
SkillCraftは、高レベルのツールコンポジションの生成と再利用を可能にする、明示的にストレステストエージェントのベンチマークである。
SkillCraftは、定量次元と構造次元の両方に沿ってスケールする困難を伴う、現実的で、構成性の高いツール使用シナリオを特徴としている。
本稿では,エージェントがアトミックツールを実行可能なスキルに自動生成し,タスク内およびタスク間のキャッシュと再利用を可能にする軽量な評価プロトコルを提案する。
論文 参考訳（メタデータ） (2026-02-28T15:44:31Z) - Pretrained Bayesian Non-parametric Knowledge Prior in Robotic Long-Horizon Reinforcement Learning [10.598207472087578]
強化学習(Reinforcement Learning, RL)の手法は通常、新しいタスクをゼロから学習する。
この研究は、潜在的な原始的なスキルモーションを未知の特徴を持つ非パラメトリックな特性を持つものとしてモデル化する手法を導入する。
非パラメトリックモデル、特にDirichlet Process Mixturesは、出生とマージによって強化され、スキルの多様な性質を効果的に捉えるための事前トレーニングに使用される。
論文 参考訳（メタデータ） (2025-03-27T20:43:36Z) - Enhancing Semantic Code Search with Multimodal Contrastive Learning and
Soft Data Augmentation [50.14232079160476]
コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。
我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
論文 参考訳（メタデータ） (2022-04-07T08:49:27Z)
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。