SkillAdaptor: Selbstanpassende Fähigkeiten für LLM-Agenten aus Trajektorien

Zusammenfassung

Agenten großer Sprachmodelle (LLMs) verlassen sich zunehmend auf wiederverwendbare externe Fähigkeiten, um langfristige interaktive Aufgaben zu lösen. Existierende trainingsfreie Pipelines zur Fähigkeitsanpassung aktualisieren Fähigkeiten in der Regel anhand vollständiger Trajektorien oder Rückmeldungen auf Sitzungsebene, was die Fehlerzuordnung grob macht und oft instabile oder zu weit gefasste Überarbeitungen erzeugt. Wir schlagen SkillAdaptor vor, ein trainingsfreies Framework zur schrittweisen Fähigkeitsanpassung mit expliziter Fehlerzuordnung, das in Agenten-Harnesses der OpenClaw-Klasse integriert werden kann. Bei einer fehlgeschlagenen Trajektorie identifiziert SkillAdaptor den ersten handhabbaren Fehlerschritt, weist die Verantwortung Kandidatenfähigkeiten zu und führt gezielte Aktualisierungen unter expliziten Akzeptanzprüfungen durch, während das Grundmodell eingefroren bleibt. Wir evaluieren auf WebShop, PinchBench und Claw-Eval mit Kimi-K2.5, GLM-5 und GPT-5.2. SkillAdaptor verbessert sich gegenüber den Basislinien ohne Fähigkeiten und mit Fähigkeitsanpassung in allen drei Testumgebungen, mit den größten Einzelmetrikverbesserungen von +1,5 Punkten beim PinchBench-Durchschnittswert %, +1,8 beim Claw-Eval-Durchschnittswert und +1,7 bei der WebShop-Erfolgsrate. Diese Ergebnisse zeigen, dass die schrittweise Zuordnung eine stabilere und auditierbare trainingsfreie Fähigkeitswartung unterstützt. Der Code wird unter https://github.com/zjunlp/SkillAdaptor veröffentlicht.

English

Large language model (LLM) agents increasingly rely on reusable external skills to solve long-horizon interactive tasks. Existing training-free skill adaptation pipelines usually update skills from full trajectories or session-level feedback, which makes failure attribution coarse and often produces unstable or overly broad revisions. We propose SkillAdaptor, a training-free step-level skill adaptation framework with explicit failure attribution, and it can plug into OpenClaw-class agent harnesses. Given a failed trajectory, SkillAdaptor identifies a first actionable fault step, links responsibility to candidate skills, and applies targeted updates under explicit acceptance checks while keeping the backbone frozen. We evaluate on WebShop, PinchBench, and Claw-Eval with Kimi-K2.5, GLM-5, and GPT-5.2. SkillAdaptor improves over no-skill and skill-adaptation baselines on all three suites, with the largest single-metric improvements of +1.5 points on PinchBench Avg Score%, +1.8 on Claw-Eval Avg Score, and +1.7 on WebShop success rate. These results indicate that step-level attribution supports more stable and auditable training-free skill maintenanceThe code will be released at https://github.com/zjunlp/SkillAdaptor..