SkillAdaptor: Самоадаптирующиеся навыки для LLM-агентов на основе траекторий

Аннотация

Агенты на основе больших языковых моделей (LLM) всё чаще полагаются на многократно используемые внешние навыки для решения долгосрочных интерактивных задач. Существующие подходы к адаптации навыков без обучения обычно обновляют навыки на основе полных траекторий или обратной связи на уровне сеансов, что делает атрибуцию сбоев грубой и часто приводит к нестабильным или чрезмерно широким корректировкам. Мы предлагаем SkillAdaptor — фреймворк для адаптации навыков на уровне шагов без обучения с явной атрибуцией сбоев, который можно встраивать в обвязки агентов класса OpenClaw. Для данной неудачной траектории SkillAdaptor идентифицирует первый шаг с действительным сбоем, связывает ответственность с соответствующими навыками и применяет целенаправленные обновления при явных проверках приемлемости, оставляя базовую модель замороженной. Мы оцениваем фреймворк на WebShop, PinchBench и Claw-Eval с использованием Kimi-K2.5, GLM-5 и GPT-5.2. SkillAdaptor превосходит базовые подходы без навыков и с адаптацией навыков на всех трёх наборах, причём наибольшие улучшения по отдельным метрикам составляют +1,5 пункта по среднему проценту баллов PinchBench, +1,8 по среднему баллу Claw-Eval и +1,7 по показателю успешности WebShop. Эти результаты показывают, что атрибуция на уровне шагов обеспечивает более стабильное и проверяемое обслуживание навыков без обучения. Код будет опубликован по адресу 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..