SkillAdaptor: Habilidades Autoadaptables para Agentes LLM a partir de Trayectorias

Resumen

Los agentes basados en modelos de lenguaje grande (LLM) recurren cada vez más a habilidades externas reutilizables para resolver tareas interactivas de largo horizonte. Los pipelines existentes de adaptación de habilidades sin entrenamiento suelen actualizar las habilidades a partir de trayectorias completas o retroalimentación a nivel de sesión, lo que hace que la atribución de fallos sea imprecisa y a menudo genera revisiones inestables o excesivamente amplias. Proponemos SkillAdaptor, un marco de adaptación de habilidades a nivel de paso sin entrenamiento con atribución explícita de fallos, que puede integrarse en arneses de agente tipo OpenClaw. Dada una trayectoria fallida, SkillAdaptor identifica el primer paso de fallo accionable, vincula la responsabilidad a habilidades candidatas y aplica actualizaciones dirigidas bajo comprobaciones de aceptación explícitas, manteniendo el backbone congelado. Evaluamos en WebShop, PinchBench y Claw-Eval con Kimi-K2.5, GLM-5 y GPT-5.2. SkillAdaptor supera a las líneas de base sin habilidades y con adaptación de habilidades en los tres conjuntos, con las mayores mejoras individuales de +1.5 puntos en Avg Score% de PinchBench, +1.8 en Avg Score de Claw-Eval y +1.7 en tasa de éxito de WebShop. Estos resultados indican que la atribución a nivel de paso permite un mantenimiento de habilidades sin entrenamiento más estable y auditable. El código se publicará en https://github.com/zjunlp/SkillAdaptor.

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..