論文の概要: From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents
- arxiv url: http://arxiv.org/abs/2610.23599v1
- Date: Fri, 16 Oct 2026 15:16:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.984524
- Title: From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents
- Title（参考訳）: トラジェクトリーから差別化スキルへ:自己改善剤の認知的差別化
- Abstract要約: 大規模言語モデル(LLM)エージェントは、推論や外部環境との相互作用を通じて複雑なタスクに取り組む。
本稿では,メタ,経験,ツール,スクリプトの4つの機能的に異なるコンポーネントを通じて,統一されたスキルを進化させる認知的スキル進化(CDSE)を提案する。
上位500のスキルパッケージの分析によると、96.8%は少なくとも2つの機能的役割にまたがる知識を含んでいる。
- 参考スコア（独自算出の注目度）: 44.9231810699772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) agents tackle complex tasks through reasoning and interaction with external environments. Agent skills provide persistent, transferable capabilities that guide task planning, inform contextual decisions, support tool use, and enable executable procedures. Yet existing skill-evolution methods largely organize knowledge around skill artifacts, overlooking the functional heterogeneity within individual skills and its implications for knowledge maintenance and use. Inspired by cognitive science, we propose Cognitive Differentiation in Skill Evolution (CDSE), which evolves a unified skill through four functionally distinct yet coordinated components: Meta, Experience, Tool, and Script. CDSE extracts evidence-grounded semantic gradients from successful and failed trajectories, consolidates them by functional role, and applies component-specific updates and validation with cross-component coordination and adaptive invocation. An analysis of 500 top-ranked skill packages shows that 96.8% contain knowledge spanning at least two functional roles. Across six benchmarks, three agent models, and two execution harnesses, CDSE achieves the highest scores in all 36 settings, improving over the Base agent by 7.6 percentage points and the strongest competing method in each setting by 2.6 points on average. Ablation studies further support the importance of functional differentiation and adaptive invocation.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、推論や外部環境との相互作用を通じて複雑なタスクに取り組む。
エージェントスキルは、タスク計画のガイド、コンテキスト決定の通知、ツールの使用のサポート、実行可能な手順の実行を可能にする永続的で転送可能な機能を提供する。
しかし、既存のスキル進化手法は、スキルアーチファクトに関する知識を主に整理し、個々のスキルにおける機能的不均一性と、知識の保守と使用に対するその意味を見越す。
認知科学に触発された認知的スキル進化(CDSE)は,機能的に異なる4つのコンポーネント – Meta, Experience, Tool, Script – を通じて,統一されたスキルを進化させる。
CDSEは、成功と失敗の軌跡からエビデンス基底のセマンティックグラデーションを抽出し、機能的役割によってそれらを統合し、コンポーネント固有の更新と、コンポーネント間の協調と適応的呼び出しによる検証を適用する。
上位500のスキルパッケージの分析によると、96.8%は少なくとも2つの機能的役割にまたがる知識を含んでいる。
6つのベンチマーク、3つのエージェントモデル、2つの実行ハーネスで、CDSEは36のすべての設定で最高スコアを獲得し、ベースエージェントを7.6ポイント改善し、各設定で最強の競合メソッドを平均2.6ポイント改善した。
アブレーション研究は、機能分化と適応的呼び出しの重要性をさらに支えている。
関連論文リスト
- An Empirical Study of Agent Skills' Downstream Utility [25.30517570278484]
我々は87のSkillsBenchタスクについて実証的研究を行い、同じモデルで同じタスクにおけるNo-Skillとのパスレート差として下流ユーティリティを定義する。
我々は37,596スキルのキュレートされたコーパスからマーケットプレース候補を検索する。
我々は17のオーサリングプラクティスを導き,実行可能手順をリカバリ,タスク要求の保存,最終アーティファクトの確認にリンクする。
論文 参考訳（メタデータ） (2026-10-06T06:05:00Z) - Demystifying Agent Skills for Smart Contract Auditing: Design, Effectiveness, Behavioral Impact [13.707057049430475]
LLMエージェント、特にClaude CodeとOpenAI Codexは、コーディングエージェント以外の汎用ツールとして登場している。
今のところ、そのようなスキルがどのように設計されているか、それが実際にエージェントの有効性や行動に与える影響についてはほとんど分かっていない。
論文 参考訳（メタデータ） (2026-09-24T12:09:55Z) - Efficient Test-Time Adaptation through Human-AI Interaction [112.5131603022122]
我々は,ヒト-エージェント間相互作用(TAHI)によるテスト時間適応を提案する。
エージェントを2つの高ユーティリティドメイン(書き込みと視覚的創造)の30人に適応させ、合計600のタスクをこなします。
エージェントは10タスク以内の単独作業の成功率を4.5-20.9%向上させる。
論文 参考訳（メタデータ） (2026-09-03T17:33:18Z) - 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) - 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) - MetaCogAgent: A Metacognitive Multi-Agent LLM Framework with Self-Aware Task Delegation [11.486913474115402]
本稿では,メタ認知自己評価ユニットを備えた多エージェント大規模言語モデル(LLM)フレームワークであるMetaCogAgentを提案する。
MetaCogAgentは、AutoGenよりも5%少ないAPIコールを使用し、アンサンブル投票よりも34%少ないタスク精度を82.4%達成している。
論文 参考訳（メタデータ） (2026-05-17T07:12:04Z) - 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) - SPECI: Skill Prompts based Hierarchical Continual Imitation Learning for Robot Manipulation [3.1997825444285457]
動的非構造環境における現実世界のロボット操作は、進化するオブジェクト、シーン、タスクに対して生涯の適応性を必要とする。
伝統的な模倣学習は、生涯適応に不適な静的な訓練パラダイムに依存している。
我々は,ロボット操作のための新しいエンドツーエンドの階層型CILポリシーアーキテクチャである,スキル・プロンプトに基づく階層型連続模倣学習(SPECI)を提案する。
論文 参考訳（メタデータ） (2025-04-22T03:30:38Z)
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。