論文の概要: SkillBrowser: Selective Skill Exposure for Scalable Skill-Using Agents
- arxiv url: http://arxiv.org/abs/2610.23554v1
- Date: Fri, 16 Oct 2026 14:44:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.958515
- Title: SkillBrowser: Selective Skill Exposure for Scalable Skill-Using Agents
- Title（参考訳）: SkillBrowser: スケーラブルなスキル使用エージェントのための選択的なスキル露出
- Abstract要約: 大規模言語モデルエージェントは、複雑なタスクで能力を拡張するスキルにますます依存している。
スケーラブルなスキル使用にはSSE(Selective Skill Exposure)が必要だ。
本稿では,SkillBrowserを提案する。SkillBrowserは,エージェントが現在の能力ニーズを特定し,ターゲットクエリを定式化し,必要に応じてスキルを選択的にロードすることを可能にするメタスキル管理フレームワークである。
- 参考スコア（独自算出の注目度）: 17.74567930674416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model agents increasingly rely on skills to extend their capabilities in complex tasks. However, scalable skill use requires Selective Skill Exposure (SSE): providing relevant procedural content when needed while avoiding unnecessary exposure that may disrupt reasoning. Existing paradigms fall short in complementary ways. Progressive disclosure exposes metadata for a growing skill library, introducing context pollution; retrieval limits catalog exposure, but static retrieval from the initial task query may be misaligned with capability needs that emerge during reasoning and may still inject unnecessary skills. We propose SkillBrowser, a Meta-Skill-managed framework that enables an agent to identify current capability needs, formulate targeted queries, and selectively load skills on demand. Across six SRA-Bench subsets and five LLMs, SkillBrowser improves aggregate accuracy over static retrieval and LLM-based selection, including multi-step tool use, and mitigates accuracy degradation on already-solvable instances. Benefits remain model- and task-dependent, with under-invocation of useful skills and additional latency as key limitations. These results demonstrate the viability of Meta-Skill-managed SSE for scalable skill repositories.
- Abstract（参考訳）: 大規模言語モデルエージェントは、複雑なタスクで能力を拡張するスキルにますます依存している。
しかし、スケーラブルなスキル使用にはSSE(Selective Skill Exposure)が必要である。
既存のパラダイムは相補的な方法で不足する。
プログレッシブな開示は、成長するスキルライブラリのメタデータを公開し、コンテキスト汚染を導入し、検索はカタログの露出を制限するが、初期タスククエリからの静的検索は、推論中に現れる機能要件とミスマッチし、いまだに不要なスキルを注入する可能性がある。
本稿では,SkillBrowserを提案する。SkillBrowserは,エージェントが現在の能力ニーズを特定し,ターゲットクエリを定式化し,必要に応じてスキルを選択的にロードすることを可能にするメタスキル管理フレームワークである。
6つのSRA-Benchサブセットと5つのLLMに対して、SkillBrowserは静的検索とLLMベースの選択による集約精度を改善し、マルチステップツールの使用を含む。
メリットはモデルとタスクに依存しており、有用なスキルの不足と、重要な制限として追加のレイテンシが実行されます。
これらの結果は,スケーラブルなスキルレポジトリのためのメタスキル管理型SSEの実現可能性を示している。
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) - 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) - 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) - OpenSkillEval: Automatically Auditing the Open Skill Ecosystem for LLM Agents [15.598856888948093]
スキル強化エージェントシステムとスキル自体の自動評価フレームワークであるtextscOpenSkillEvalを提案する。
静的ベンチマークに頼る代わりに、textscOpenSkillEvalは、現実世界のアーティファクトの進化から現実的なタスクインスタンスを自動的に構築する。
600以上の動的に生成されたタスクインスタンスと30のオープンソーススキルを使用して、最先端のモデルとエージェントフレームワークを体系的に評価する。
論文 参考訳（メタデータ） (2026-05-22T14:09:41Z) - 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) - SKILL0: In-Context Agentic Reinforcement Learning for Skill Internalization [61.37478254738943]
推論時のスキル向上は基本的に制限されている。
SKILL0は,スキル内部化のためのコンテキスト内強化学習フレームワークである。
SKILL0は標準のRLベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-04-02T17:03:05Z) - 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) - Agent Skills for Large Language Models: Architecture, Acquisition, Security, and the Path Forward [5.124116559484265]
モノリシックな言語モデルからモジュール化された、スキルを持ったエージェントへの移行は、大規模言語モデル(LLM)の実際のデプロイ方法に決定的な変化をもたらす。
すべての手続き的知識をモデルウェイト内にエンコードするのではなく、エージェントスキルは、再トレーニングせずに動的機能拡張を可能にする。
この調査は、エージェントスキルのランドスケープを包括的に扱うもので、ここ数ヶ月で急速に進化してきた。
論文 参考訳（メタデータ） (2026-02-12T21:33:25Z)
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。