論文の概要: SkillRep: Characterizing and Understanding the Representation Design Space of Agent Skill Retrieval

• arxiv url: http://arxiv.org/abs/2610.32336v1
• Date: Fri, 23 Oct 2026 08:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.435997
• Title: SkillRep: Characterizing and Understanding the Representation Design Space of Agent Skill Retrieval
• Title（参考訳）: SkillRep:エージェントスキル検索における表現設計空間の特徴と理解
• Abstract要約: SkillRepはMRR@10を7.02ポイント、UniPoolは8.79ポイント改善した。 背景, スキルを分離しない埋め込み成分, 未知の語彙, 要求が残した金のスキルの内容, 希釈, スキルが1つのベクトルにエンコードされたときに失われる情報, の3つの量でギャップを計測する。
• 参考スコア（独自算出の注目度）: 10.642024005874019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieving the right skill from a large library is essential for LLM agents, yet requests and skills are written for different purposes and in different words. Existing retrievers narrow this request-skill gap with one or two representation choices each, so it is unknown whether their gains hold in combination. No prior work measures the gap itself, so it is also unclear which part of it each choice narrows. We define a representation design space by five choices -- encoder fine-tuning, query-side and document-side expansion, background projection and a lexical channel -- and evaluate them together for the first time, as modules of one retriever, SkillRep. With a 0.6B encoder and LLM expansion, SkillRep improves MRR@10 on SRA-Bench over the strongest same-size retriever by 7.02 points with the official skill pool and 8.79 with UniPool, a 111,247-skill pool we build from public registries, and is best on SkillsBench. The value of each choice depends on the others. Fine-tuning, for instance, reverses the ranking of the four training-free modules and turns them from complementary into overlapping. To understand why, we measure the gap with three quantities: background, the embedding component that does not separate skills; unsaid vocabulary, the gold skill's content a request leaves unsaid; and dilution, the information lost when a skill is encoded into a single vector. They show which part each module narrows and by what mechanism. This reveals that modules narrowing the same part compete for it, while those narrowing different parts complement each other.
• Abstract（参考訳）: 大規模なライブラリから適切なスキルを取得することは、LLMエージェントには不可欠だが、リクエストとスキルは異なる目的と異なる言葉で書かれる。 既存の検索者は、この要求スキルギャップを1つまたは2つの表現選択で狭めているので、その利得が組み合わせられるかどうかは不明である。 事前の作業ではギャップ自体を計測することができないため、それぞれの選択のどの部分が狭くなるのかも不明である。 表現設計空間を,エンコーダファインチューニング,クエリサイド,ドキュメント側の拡張,バックグラウンドプロジェクション,レキシカルチャネルという5つの選択肢で定義し,それらを1つのレトリバーであるSkillRepのモジュールとして初めて評価する。 0.6BエンコーダとLLMの拡張により、SkillRepはSRA-BenchのMRR@10を7.02ポイント、公式スキルプールで8.79ポイント、パブリックレジストリで構築した111,247スキルプールであるUniPoolで改善し、SkillsBenchで最高である。 それぞれの選択の価値は他に依存します。 例えば、ファインチューニングは4つのトレーニング不要なモジュールのランクを逆転させ、補完的なモジュールをオーバーラップさせる。 背景,スキルを分離しない埋め込み成分,未知の語彙,要求が残した金のスキルの内容,そして1つのベクトルにスキルが符号化されたときに失われる情報の希釈という3つの量でギャップを計測する。 それぞれのモジュールが狭く、どの機構によってどの部分を示すかを示す。 これは、同じ部分を狭めるモジュールが競合し、異なる部分を狭めるモジュールが互いに補完していることを示している。

関連論文リスト

• Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning [72.09826781730662]
  ロングホライゾン推論は、モデルが推論チェーン内の異なるスキルを切り替えることを要求する。 スキル・エントロピー(Skill Entropy)とは、あるスキルから別のスキルに切り替えることの難しさを測る尺度である。 本稿では,RLフレームワークであるSkill-Entropy RLを提案する。
  論文  参考訳（メタデータ） (2026-08-05T17:57:16Z)
• SkillSight: Calibrating Generic Content Bias for Skill Retrieval [12.466141257341851]
  既存のレトリバーは、しばしばスキル内容を通常の文書として扱い、非常に規則的な構造を見下ろしている。 この共有背景は、密接な関連度スコアに反映され、クエリとスキルドキュメントの間に顕著なエネルギーギャップを生じさせ、識別シグナルを曖昧にすることを示す。 SkillSightは、意味空間と語彙空間の両方で共有背景を校正する学習自由検索フレームワークである。
  論文  参考訳（メタデータ） (2026-07-21T07:05:15Z)
• 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)
• Skill Is Not Document: A Query-Conditional Benchmark and Two-Stage Retriever for LLM Agent Skill Routing [40.648572239231804]
  R3-Skillは、現実的なエージェントスキルルーティングのベンチマークである。 スキル互換性を明示的な訓練信号とする2段階検索システムを構築した。 データセット、トレーニングコード、モデルウェイトは、エージェントスキルルーティングのためのオープンソースとしてリリースされている。
  論文  参考訳（メタデータ） (2026-06-02T12:30:46Z)
• Skill-as-Pseudocode: Refactoring Skill Libraries to Pseudocode for LLM Agents [50.78646963535282]
  Skill-as-Pseudocode (SaP) はマークダウンスキルライブラリの型付き擬似コードへの自動変換である。 1つ以上のスキルから引き出された類似の手続きパスのクラスタごとに、SaPは型付きコントラクトを抽出し、それを4チェック決定性検証器を通じてフィルタリングする。 プロモートされた契約は、復元された具体的なアクションテンプレートと共に書き直されたスキルスケルトンにインライン化され、エージェントは2つの補完的な信号を与える。
  論文  参考訳（メタデータ） (2026-05-27T04:48:40Z)
• 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)
• LoRA Soups: Merging LoRAs for Practical Skill Composition Tasks [73.09643674975591]
  Low-Rank Adaptation (LoRA)は、大規模言語モデル(LLM)のパラメータ効率の高い微調整手法である。 異なるLoRAモジュールをマージして,スキルコンポジションを実現する方法について検討する。
  論文  参考訳（メタデータ） (2024-10-16T20:33:06Z)

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。