에이전트의 상호작용 증거(시연·궤적·도구 트레이스·실행 로그)에서 고품질 스킬(Skill)을 자동으로 구성하는 W2S 프레임워크를 제안한다. 트레이스는 단편적이고 중복되며 드물지만 안전상 중요한 행동을 놓치기 쉬워, 트레이스→스킬 변환이 단순 요약이 아니라는 점을 지적한다. 이를 위해 스킬을 워크플로 구조·실행 의미·런타임 부속(Attachment)으로 분해해 작업 분할·제어 흐름·검증·안전·롤백·상태 관리를 담는 RWSA 중간 표현을 도입했다. W2S는 트레이스를 분할해 지역 스킬 초안을 만들고 공유 구조를 정렬·분기 조정하며 증거와 신뢰도 주석을 보존한 채 중복을 압축한다. 70개 스킬 실험에서 요약·프롬프팅 기반 베이스라인 대비 행동 재현 일관성을 10.5% 향상시켜, 트레이스를 압축 가능한 텍스트가 아닌 실행 가능한 런타임 사양으로 다뤄야 함을 보였다.
- •상호작용 증거에서 스킬을 자동 구성하는 W2S 프레임워크 제안
- •스킬을 워크플로 구조·실행 의미·런타임 부속으로 분해하는 RWSA 중간 표현 도입
- •트레이스 분할·초안 유도·구조 정렬·분기 조정·중복 압축으로 증거·신뢰도 주석 보존
- •70개 스킬 실험에서 행동 재현 일관성을 베이스라인 대비 10.5% 향상
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Workflow-to-Skill: Skill Creation via Routing-Workflow-Semantics-Attachments Decomposition
- 1.이질적 상호작용 기록에서 스킬을 자동 구성하는 W2S 프레임워크 제안
- 2.스킬을 워크플로 구조·실행 시맨틱·런타임 첨부로 분해하는 RWSA 중간표현 도입
- 3.트레이스 분할·로컬 스킬 초안·구조 정렬·분기 조정·중복 압축으로 스킬 합성
- 4.70개 스킬 실험서 요약·프롬프팅 기반 대비 행동 재현 일관성 10.5% 향상
왜 중요한가?
수작업으로 비싼 에이전트 스킬을 트레이스에서 자동 생성하되 안전·롤백 등 희소하지만 핵심적인 행동까지 보존한다는 점에서, 단순 요약 기반 접근의 한계를 넘는 실행형 스펙 생성 방법으로 의미가 있다.
고품질 AI 에이전트 스킬 개발의 높은 비용 문제를 해결하기 위해, 다양한 상호작용 증거로부터 스킬을 자동 생성하는 방법을 제시합니다. LLM 기반 서비스 개발 경쟁이 치열한 한국 시장에서, 이러한 자동화된 스킬 구축 방식은 AI 에이전트의 개발 효율성을 높이고 맞춤형 AI 도입의 장벽을 낮출 핵심 기술이 될 것입니다.
본문 미리보기
arXiv:2606.06893v1 Announce Type: new Abstract: Large language model agents increasingly rely on Skills to encode procedural knowledge, yet high-quality Skills remain costly to hand-write. This paper studies automatic Skill construction from heterogeneous interaction evidence, including demonstrations, agent trajectories, tool traces, and execution logs. We argue that trace-to-skill construction is not simple summarization tasks, because traces are fragmented, redundant, and may miss rare but s
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:12AI 초안
