論文の概要: SPEM: Structure-Aware Procedural Memory for Efficient Skill Use in LLM Agents
- arxiv url: http://arxiv.org/abs/2610.26995v1
- Date: Mon, 19 Oct 2026 08:46:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.416967
- Title: SPEM: Structure-Aware Procedural Memory for Efficient Skill Use in LLM Agents
- Title（参考訳）: SPEM:LLMエージェントにおける効率的なスキル利用のための構造対応手続き記憶
- Abstract要約: LLMエージェントにおける効率的なスキル使用のための軽量な構造対応プロシージャメモリフレームワークSPEMを提案する。
SPEMは個々のスキルのためのAtomic Skill Memoryと、成功した実行から派生した再利用可能なコンポジションのためのSkill-DAG Memoryを維持している。
ALFWorldとSkillsBenchの実験では、SPEMは最高の効率性、すなわち効率のトレードオフを実現し、87.1%のALFWorld成功と38.38%のスキルズベンチ報酬を達成した。
- 参考スコア（独自算出の注目度）: 25.151981344196084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based agents increasingly rely on reusable skills. However, scaling skill libraries makes efficient and accurate skill use difficult. Full skill loading incurs high token and runtime overhead. In contrast, flat semantic retrieval treats skills as independent text entries, ignoring dependencies, execution order, state transitions, and data flow constraints. We propose SPEM, a lightweight structure-aware procedural memory framework for efficient skill use in LLM-based agents. SPEM maintains Atomic Skill Memory for individual skills and Skill-DAG Memory for reusable compositions derived from successful executions. For a new task, SPEM reuses high-confidence Skill-DAG templates when available. Otherwise, it retrieves atomic skills and invokes Skill-GNN for state- and structure-aware skill selection. Successful executions are written back as new Skill-DAGs, allowing procedural memory to accumulate over time. Experiments on ALFWorld and SkillsBench show that SPEM achieves the best overall effectiveness--efficiency trade-off, reaching 87.1% ALFWorld success and 38.38% SkillsBench reward while reducing token and runtime costs against strong baselines.
- Abstract（参考訳）: LLMベースのエージェントは、ますます再利用可能なスキルに依存している。
しかし、スケーリングスキルライブラリは、効率的かつ正確なスキルの使用を困難にしている。
完全なスキルローディングは高いトークンとランタイムオーバーヘッドを引き起こす。
対照的に、フラットなセマンティック検索は、スキルを独立したテキストエントリとして扱い、依存関係を無視し、実行順序、状態遷移、データフローの制約を無視する。
LLMエージェントにおける効率的なスキル使用のための軽量な構造対応プロシージャメモリフレームワークSPEMを提案する。
SPEMは個々のスキルのためのAtomic Skill Memoryと、成功した実行から派生した再利用可能なコンポジションのためのSkill-DAG Memoryを維持している。
新しいタスクのために、SPEMは高信頼のSkill-DAGテンプレートを利用可能に再利用する。
そうでなければ、アトミックスキルを検索し、状態認識と構造認識のスキル選択のためにSkill-GNNを呼び出す。
成功した実行は、新しいSkill-DAGとして書き戻され、プロシージャメモリが時間の経過とともに蓄積される。
ALFWorldとSkillsBenchの実験によると、SPEMは全体的な効果を最大限に発揮し、87.1%のALFWorld成功と38.38%のSkillsBench報酬を達成し、トークンとランタイムコストを強力なベースラインに対して削減した。
関連論文リスト
- When Skills Remain But Access Fails: Factorized Skill Memory for Continual Skill Internalization [14.285347396859732]
本研究では,連続的なスキルの内在化を忘れて,明確な階層構造を明らかにする。
連続的なスキルメモリをプラスチックアドレスメモリと安定した実行メモリに分離するFSM(Facterized Skill Memory)を導入する。
FSMは65.95%の平均一致と93.38%の精度を2つのタスクオーダーで達成している。
論文 参考訳（メタデータ） (2026-10-11T09:46:32Z) - When Not to Imitate: Boundary-Aware Skill Memory for Reliable Tool-Use LLM Agents [62.10623192614306]
過去の成功からスキルを抽出することは、Large Language Model (LLM)エージェントの効率的な進化に不可欠である。
textbfBoundary-Aware Skill Memory (BASM)を提案する。
BASMは、成功度の高いスキルメモリベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-23T10:16:06Z) - 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) - 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) - 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) - 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) - SkVM: Compiling Skills for Efficient Execution Everywhere [8.617039060377483]
SkVMは、ポータブルで効率的なスキル実行用に設計されたコンパイルおよびランタイムシステムである。
118,000のスキルを分析し、従来のコンパイラ設計からインスピレーションを得ます。
結果は、SkVMがさまざまなモデルや環境におけるタスク完了率を大幅に改善していることを示しています。
論文 参考訳（メタデータ） (2026-04-03T15:11:45Z) - 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) - MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents [29.375397774491887]
ほとんどのLarge Language Model (LLM) エージェントメモリシステムは、メモリを抽出するために静的で手作業で設計された小さな操作に頼っている。
textbfMemSkillは、これらの操作を学習可能で進化可能なメモリスキルとして再構成する。
論文 参考訳（メタデータ） (2026-02-02T18:53:28Z)
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。