論文の概要: Adaptive Skill Granularity for Coding Agents: Runtime Routing and Macro-to-Micro Recovery

• arxiv url: http://arxiv.org/abs/2610.31461v1
• Date: Thu, 22 Oct 2026 15:55:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.430989
• Title: Adaptive Skill Granularity for Coding Agents: Runtime Routing and Macro-to-Micro Recovery
• Title（参考訳）: コーディングエージェントの適応的スキルグラニュラリティ:実行時ルーティングとマクロ・マイクロ・リカバリ
• Abstract要約: 本稿では,タスク構造,実行状態,マクロスキルの失敗を条件に,スキルの粒度をアクション抽出ポリシーとして扱うフレームワークであるAdaptive Skill Granularityを紹介する。 検証器が定義した成功、総コスト、マクロ導入、障害復旧、経路一致、遷移正当性といったプロセスメトリクスを用いて、決定論的コーディングエージェントプロトコルを用いてフレームワークを評価する。
• 参考スコア（独自算出の注目度）: 4.20981334835714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reusable skills allow large language model agents to package task-specific procedures, tool affordances, and execution guidance into modular units. Prior work has largely studied how agents retrieve, compose, or synthesize skills before execution. In coding agents, however, execution poses an additional runtime control problem: the same task may be solved through primitive tool calls, macro skills, or hybrid execution that starts with a macro and falls back to micro-level recovery. We introduce Adaptive Skill Granularity, a framework that treats skill granularity as an action-abstraction policy conditioned on task structure, execution state, and macro-skill failures. The system combines a feature-based granularity controller and a finite-state recovery executor. We evaluate the framework with a deterministic coding-agent protocol using verifier-defined success, total cost, and process metrics such as macro adoption, failure recovery, route match, and transition correctness. Results show that fixed macro execution is efficient when applicable but brittle under mismatch, while runtime routing and explicit macro-to-micro recovery improve robustness and recover controlled macro failures that fixed-granularity execution leaves unresolved. Our findings suggest that skill libraries for coding agents should be treated not only as retrievable resources, but also as controllable, verifiable, and recoverable execution abstractions.
• Abstract（参考訳）: 再利用可能なスキルにより、大きな言語モデルエージェントはタスク固有のプロシージャ、ツールの余裕、実行ガイダンスをモジュールユニットにパッケージできる。 以前の研究は、エージェントが実行前にスキルを検索、構成、あるいは合成する方法を主に研究してきた。 しかし、コーディングエージェントでは、実行はさらなるランタイム制御の問題を引き起こす。同じタスクは、プリミティブなツールコール、マクロスキル、マクロから始まり、マイクロレベルのリカバリにフォールバックするハイブリッド実行によって解決される。 本稿では,タスク構造,実行状態,マクロスキルの失敗を条件に,スキルの粒度をアクション抽出ポリシーとして扱うフレームワークであるAdaptive Skill Granularityを紹介する。 このシステムは機能ベースの粒度制御器と有限状態回復エグゼキュータを組み合わせたものである。 検証器が定義した成功、総コスト、マクロ導入、障害復旧、経路一致、遷移正当性といったプロセスメトリクスを用いて、決定論的コーディングエージェントプロトコルを用いてフレームワークを評価する。 その結果、固定されたマクロ実行は、適用した場合は効率的であるが、ミスマッチ下では不安定であり、一方、実行時ルーティングと明示的なマクロ・ツー・マイクロリカバリは堅牢性を改善し、固定された粒度実行が未解決な制御されたマクロ障害を回復することを示した。 この結果から,コーディングエージェントのスキルライブラリは,検索可能なリソースとしてだけでなく,制御可能な,検証可能な,回復可能な実行抽象化として扱われるべきであることが示唆された。

関連論文リスト

• FIT-MAC: A Closed-Loop Multi-Agent Framework for Robust Vision-Language-Action Models [15.964545079352755]
  提案するFIT-MACは,フェールアウェアでクローズドループのマルチエージェント制御フレームワークで,推論時のVLAポリシーの堅牢性を向上させる。 FIT-MACは、推論時制御レイヤでVLAポリシーを強化する。まず、Planner Agentが言語命令を構造化されたタスク仕様に解析し、操作目標と空間的制約をキャプチャする。 Verifier Agentは、フェーズ固有の実行進捗を追跡し、ターゲットバインディングエラーとローカル実行障害を区別し、介入が保証されているかどうかを決定する。 訂正エージェントは、障害タイプに応じて、許可された介入をルートして、リバインドまたはバウンドの把握または配置回復を目標とする。
  論文  参考訳（メタデータ） (2026-10-20T12:21:24Z)
• Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay [63.05870209824107]
  本稿では,コンピュータ利用エージェントの回復行動を研究するためのスケーラブルな評価フレームワークReTraceを提案する。 我々は、制御されたエラーインジェクションの後にゴール指向のアクションリプレイによって、この基準を運用する。 ReTraceを用いて、自律型モデルベースリカバリに関する最初の体系的研究を行う。
  論文  参考訳（メタデータ） (2026-10-20T09:59:12Z)
• Learning to Compose: Recursive Self-Improvement of Shared Executable Stacks for Zero-Shot Long-Horizon Robot Manipulation [18.726514174367924]
  本稿では、個別のタスクプログラムではなく、共有実行可能スタックを永続的な改善単位として扱うフレームワークであるRecursiaを紹介する。 実験では、LIBERO-Pro Longシミュレーションとフランカハンドを装備した物理的フランカFR3をカバーしている。
  論文  参考訳（メタデータ） (2026-10-17T05:10:05Z)
• EngramBench: A Capability-Grounded Benchmark for Skill-Evolution Harnesses [50.93446596863591]
  EngramBenchは、ソリューションオーバーラップすることなく、厳密なオーバーラップの公理に支配される機能基底ベンチマークである。 人間の専門的検証によって裏付けられた48の複数時間実行軌跡に対する我々の評価は、手続き記憶に関する深い洞察を浮き彫りにしている。 破滅的なトークン重大な試行錯誤からエージェントを遠ざけることで、真の能力抽象化は冗長なコンテキストの肥大を削減し、全体的なコーディング時間を55%以上削減します。
  論文  参考訳（メタデータ） (2026-09-30T08:33:17Z)
• Diagnosis Before Recovery: Turning Agent Failures into Selective Self-Correction [22.654396704495934]
  開発セット障害は、どのリカバリ介入が許容可能かを決定することにより、欠落診断基板の一部を回復することができる。 DARCは、タスクファミリー障害モードをプロファイリングし、共有リカバリライブラリから不正な介入を発生させ、検証者選択によるデプロイメント成功コストポリシーを凍結する、診断誘導型リカバリハーネスである。
  論文  参考訳（メタデータ） (2026-08-12T08:14:45Z)
• CausalFlow: Causal Attribution and Counterfactual Repair for LLM Agent Failures [4.061481215870679]
  フェールエージェントトレースを最小限の偽物修復と再利用可能な監視に変換する介入フレームワークであるCausalFlowを紹介した。 CaulFlowは、最小限の振る舞いドリフトで障害から回復するターゲットテスト時修復と、オフラインの優先度最適化や報酬モデリングに適したトレーニング時間監視の2つの補完的な使用をサポートする。
  論文  参考訳（メタデータ） (2026-05-25T01:47:01Z)
• Can Coding Agents Reproduce Findings in Computational Materials Science? [49.254975563645786]
  本稿では,大規模言語モデルの科学的主張を再現する能力を評価するためのベンチマークであるAutoMatを紹介する。 課題を専門とする専門家と緊密に連携することで、実際の材料科学論文からの一連の主張をキュレートし、コーディングエージェントがエンドツーエンドのワークフローを回復し実行できるかどうかを検証します。 結果、現在のLSMベースのエージェントはAutoMatの全体的な成功率を低くし、最も優れた設定は54.1%に過ぎなかった。
  論文  参考訳（メタデータ） (2026-05-01T17:42:12Z)
• SkillJect: Automating Stealthy Skill-Based Prompt Injection for Coding Agents with Trace-Driven Closed-Loop Refinement [120.52289344734415]
  エージェントスキルに適したステルスプロンプトインジェクションのための自動フレームワークを提案する。 フレームワークは、明示的なステルス制約の下でインジェクションスキルを合成するアタックエージェント、インジェクションされたスキルを使用してタスクを実行するコードエージェント、アクショントレースをログする評価エージェントの3つのエージェントでクローズドループを形成する。 本手法は,現実的な環境下で高い攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-15T16:09:48Z)
• Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
  汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。 このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。 計算コストを削減しながら、大きな利益を得ることができます。
  論文  参考訳（メタデータ） (2025-10-27T17:59:14Z)
• ToolCoder: A Systematic Code-Empowered Tool Learning Framework for Large Language Models [81.12673534903979]
  ツール学習は、大規模な言語モデル(LLM)にとって、外部ツールとのインタラクションを通じて、複雑な現実世界のタスクを解決する重要な機能として登場した。 本稿では,ツール学習をコード生成タスクとして再編成する新しいフレームワークであるToolCoderを提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:42:28Z)

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。