SkillAdaptor: 軌跡からのLLMエージェントのための自己適応スキル

要旨

大規模言語モデル（LLM）エージェントは、長期にわたる対話型タスクを解決するために、再利用可能な外部スキルへの依存度を高めている。既存の学習不要のスキル適応パイプラインは、通常、完全な軌跡やセッションレベルのフィードバックからスキルを更新するため、故障原因の特定が粗くなり、不安定または過度に広範な修正が生じることが多い。我々は、明示的な故障原因特定を備えた学習不要のステップレベルスキル適応フレームワークであるSkillAdaptorを提案する。これはOpenClawクラスのエージェントハーネスにプラグイン可能である。失敗した軌跡が与えられると、SkillAdaptorは最初の実行可能な障害ステップを特定し、責任を候補スキルに関連付け、バックボーンを凍結したまま明示的な受入チェックの下で対象を絞った更新を適用する。我々は、WebShop、PinchBench、およびClaw-Evalにおいて、Kimi-K2.5、GLM-5、およびGPT-5.2を用いて評価を行った。SkillAdaptorは、3つの評価スイートすべてにおいて、スキルなしおよびスキル適応ベースラインを上回り、最大の単一指標改善はPinchBenchのAvg Score%で+1.5ポイント、Claw-EvalのAvg Scoreで+1.8、WebShopの成功率で+1.7であった。これらの結果は、ステップレベルでの原因特定が、より安定した監査可能な学習不要のスキル維持を支援することを示している。コードはhttps://github.com/zjunlp/SkillAdaptorで公開予定である。

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..