SkillAdaptor: Habilidades Autoadaptáveis para Agentes de LLM a partir de Trajetórias

Resumo

Os agentes baseados em modelos de linguagem de grande porte (LLM) dependem cada vez mais de habilidades externas reutilizáveis para resolver tarefas interativas de longo horizonte. Os pipelines existentes de adaptação de habilidades livres de treinamento geralmente atualizam habilidades a partir de trajetórias completas ou feedback em nível de sessão, o que torna a atribuição de falhas grosseira e frequentemente produz revisões instáveis ou excessivamente amplas. Propomos o SkillAdaptor, uma estrutura livre de treinamento para adaptação de habilidades em nível de passo com atribuição explícita de falhas, que pode ser integrada a sistemas de agentes da classe OpenClaw. Dada uma trajetória com falha, o SkillAdaptor identifica o primeiro passo de falha acionável, associa a responsabilidade a habilidades candidatas e aplica atualizações direcionadas sob verificações explícitas de aceitação, mantendo a estrutura principal congelada. Avaliamos no WebShop, PinchBench e Claw-Eval com Kimi-K2.5, GLM-5 e GPT-5.2. O SkillAdaptor supera as linhas de base sem habilidades e com adaptação de habilidades em todos os três conjuntos de testes, com as maiores melhorias em métrica única de +1,5 pontos no PinchBench Avg Score%, +1,8 no Claw-Eval Avg Score e +1,7 na taxa de sucesso do WebShop. Esses resultados indicam que a atribuição em nível de passo suporta uma manutenção de habilidades livre de treinamento mais estável e auditável. O código será disponibilizado em 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..