論文の概要: Skill++: Towards Lifelong Agents via Routing-Aware Skill Refinement

• arxiv url: http://arxiv.org/abs/2611.00544v1
• Date: Sat, 31 Oct 2026 01:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.414069
• Title: Skill++: Towards Lifelong Agents via Routing-Aware Skill Refinement
• Title（参考訳）: Skill++: ルーティング対応スキルリファインメントによる生涯エージェントの実現
• Abstract要約: 大きな言語モデル(LLM)エージェントは、それぞれに名前、説明、体を持つスキルで能力を拡張する。 同じような新しいスキルは、以前のスキルとルータが変更されていなくても、以前正しいルーティングを壊して、以前のスキルを置き換えることができる。 我々は,ルータトレーニングやラベル付きデータなしで,各入力スキルの名前と記述のみを書き換えるSkill++を提案する。
• 参考スコア（独自算出の注目度）: 41.29767030894518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents extend their capabilities with skills, each with a name, a description, and a body. Under progressive disclosure, an LLM router selects skills by name and description alone and loads only the selected bodies. Skill libraries grow continually as users and agents add new skills. Because the router relies on this metadata, a similar new skill can displace an earlier one, breaking previously correct routing even though the earlier skill and the router are unchanged. This routing interference is aggravated for public skills, whose descriptions may not match their bodies. We formulate the problem as lifelong skill routing, a class-incremental continual learning problem. A solution must keep earlier skills selectable without suppressing new ones. Existing approaches fall short, since continually retraining the router risks catastrophic forgetting and rewriting methods either ignore similar skills or require per-skill feedback. We therefore propose Skill++, which rewrites only the name and description of each incoming skill, without router training or labeled data. The new description states what the body supports, how the skill differs from its closest predecessor, and what related work it excludes. As a library grows to 731 skills over ten sessions, Skill++ selects all required skills for 76.3% of queries, versus 36.4% under the original metadata. Across three benchmarks and five LLM routers, it outperforms all compared approaches, and its gains carry over to the Codex CLI agent harness.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、それぞれに名前、説明、体を持つスキルで能力を拡張する。 プログレッシブ開示では、LLMルータは名前と記述だけでスキルを選択し、選択したボディのみをロードする。 ユーザやエージェントが新たなスキルを追加するにつれて、スキルライブラリは継続的に成長する。 ルータはこのメタデータを頼りにしているため、同じような新しいスキルは、以前のスキルとルータが変更されていない場合でも、以前のものを置き換えることができる。 この経路干渉は公共のスキルのために増補され、その説明は身体と一致しないかもしれない。 この問題を,クラス増分連続学習問題である生涯スキルルーティングとして定式化する。 解決策は、新しいスキルを抑えることなく、以前のスキルを選択できなければならない。 既存のアプローチは、ルータを継続的にリトレーニングしているため、同じようなスキルを無視したり、スキル単位のフィードバックを必要とする、破滅的な忘れと書き直しの方法があるため、短命に終わる。 そこで我々は,ルータトレーニングやラベル付きデータなしで,各入力スキルの名前と記述のみを書き換えるSkill++を提案する。 新しい説明では、体が何を支えているか、そのスキルが最も近い前者とどのように異なるか、そして、どのような関連作業が除外されているかが記述されている。 ライブラリが10セッションで731のスキルに成長するにつれて、Skill++は76.3%のクエリに必要なスキルを選択できる。 3つのベンチマークと5つのLLMルータで比較したアプローチよりも優れており、その利益はCodex CLIエージェントハーネスに受け継がれている。

関連論文リスト

• Lost in Implicit Routing: How LLM Agents Fail to Load Relevant Skills at Scale [7.1709130026195895]
  スキルにより、エージェントは要求に応じてタスク固有の命令をロードできるが、スキルメタデータに対する暗黙のルーティングに依存する。 この設計がSkillsBenchタスクとそれらの黄金のスキルを保持しながら、無関係なスキルを加えてスケールするかどうかを検証する。 スキルのルーティングは崩壊している: 関連スキルが引き続き利用可能であっても、エージェントがますます少ないか、まったくスキルをロードするようになる。
  論文  参考訳（メタデータ） (2026-10-13T15:12:12Z)
• 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)
• Beyond Top-$k$ Skill Retrieval: Diversity-Aware Skill Routing for LLM Agents [79.02474149053074]
  多様性を意識したリグレードフレームワークであるDiverse Skill Routing (DSR)を提案する。 DSRは冗長なスキルオーバーラップを罰し、共有クエリ関連性のみに起因する罰則を減らします。 Skillルーティングベンチマークでは、DSRは強力なポイントワイドのベースラインに対してリコールとフルカバレッジを改善している。
  論文  参考訳（メタデータ） (2026-09-05T02:39:28Z)
• 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)
• 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)
• 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)
• SkillRouter: Skill Routing for LLM Agents at Scale [18.540967600258607]
  ユーザタスクが与えられたら、システムは、下流の計画や実行の前に、関連するスキルを特定する必要がある。 既存のエージェントスタックはプログレッシブな開示に依存しており、完全な実装ボディを隠蔽しながら、スキル名と記述のみを公開する。 1.2Bのコンパクトなフルテキスト検索/参照パイプラインであるSkillを提示する。
  論文  参考訳（メタデータ） (2026-03-23T18:23:59Z)

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。