Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents

Resumen Técnico: ANYTHING2SKILL

Planteamiento del Problema

La Generación Aumentada por Recuperación (RAG) permite que los agentes accedan a conocimiento externo en el momento de la inferencia, pero recupera primordialmente evidencia declarativa fragmentada (p. ej., pasajes, manuales, registros). En consecuencia, los agentes deben reconstruir repetidamente procedimientos de tareas en tiempo de ejecución. Esta limitación es crítica en entornos agénticos donde el éxito depende no solo de recuperar hechos, sino de seguir procedimientos específicos: determinar cuándo invocar herramientas, ejecutar sec sequences de acciones correctas, satisfacer restricciones y evitar casos de falla. Los agentes basados en habilidades existentes suelen depender de habilidades especificadas manualmente, habilidades aprendidas mediante la interacción con el entorno o código generado durante la resolución de tareas, fallando al no aprovechar la vasta cantidad de conocimiento procedimental latente ya embebido en bases de conocimiento externas heterogéneas.

Metodología

El artículo propone ANYTHING2SKILL, un marco de trabajo guiado por taxonomía diseñado para compilar conocimiento externo heterogéneo en habilidades reutilizables, recuperables y ejecutables. El marco opera a través de un pipeline de extracción, gestión y aumentación de inferencia.

1. Extracción de Habilidades con Prior de Árbol de Habilidades

Dado un corpus de registros de conocimiento $K$ (documentos, diálogos, registros, trayectorias), el sistema descompone los registros en ventanas de evidencia estrictas. Emplea una estrategia de extracción de planificación y expansión bajo un prior de árbol de habilidades:

• Prior de Taxonomía: Una taxonomía de habilidades $\mathcal{T}$ define tipos de activos estables (p. ej., macro_protocol, session_skill, micro_skill, safety_rule) y niveles jerárquicos. Esto constriñe la extracción hacia capacidades procedimentales en lugar de resúmenes de forma libre.
• Planificación y Expansión: Un planificador basado en LLM identifica primero candidatos a habilidades distintos a partir de las ventanas de evidencia. Una etapa de expansión posterior convierte estos candidatos en borradores de habilidades estructurados.
• Validez Procedimental: Los candidatos se filtran para asegurar que contengan componentes procedimentales (pasos de flujo de trabajo, movimientos de acción, restricciones) y que puedan mapearse a la taxonomía.
• Salida: Los borradores extraídos se convierten en contratos de habilidad estructurados que especifican condiciones de invocación, contraindicaciones, movimientos de acción, pasos de flujo de trabajo, restricciones, especificaciones de salida, evidencia de soporte y puntuaciones de confianza.

2. Gestión de Habilidades en el SkillBank

Para transformar los borradores locales en un SkillBank ($\mathcal{B}$) desplegable, el sistema realiza tres pasos de gestión:

• Compilación a Nivel de Documento: Los borradores que describen capacidades superpuestas se agrupan mediante una clave de identidad consciente de la taxonomía. Un compilador produce una especificación de habilidad canónica para cada grupo, constreñida a preservar los tipos de activos y los nodos de la taxonomía mientras cita únicamente la evidencia soportada.
• Reconciliación a Nivel de Registro: Las habilidades entrantes se reconcilian con el SkillBank persistente utilizando recuperación híbrida (similitud densa, coincidencia léxica dispersa y compatibilidad de taxonomía). Un modelo de gestión predice las acciones del ciclo de vida: CREATE (CREAR), STRENGTHEN (FORTALECER), REVISE (REVISAR), MERGE (FUSIONAR), SPLIT (DIVIDIR), UNCHANGED (SIN CAMBIOS), o DISCARD (DESCARTAR). Esto asegura el versionado, la resolución de conflictos y evita la fusión de capas de habilidades incompatibles (p. ej., fusionar una regla de seguridad en una micro-habilidad).
• Proyección de Árbol de Habilidades Visible: Las habilidades activas se organizan en una jerarquía visible basada en la taxonomía. El sistema realiza una consolidación del mismo nivel para reducir la redundancia de navegación, seleccionando las habilidades primarias basadas en el estado del ciclo de vida y la cobertura de procedencia.

3. Recuperación Aumentada por Habilidades

En el momento de la inferencia, el agente utiliza un mecanismo de doble recuperación:

1. Evidencia Declarativa: Recupera pasajes específicos de la tarea desde la base de conocimiento original ($C_q$) mediante RAG estándar.
2. Guía Procedimental: Recupera habilidades compiladas relevantes del SkillBank ($S_q$).
   El agente resuelve la tarea condicionado a ambas fuentes, permitiendo que RAG proporcione fundamentación factual mientras que el SkillBank proporciona memoria procedimental reutilizable.

Contribuciones Clave

1. Propuesta de Marco de Trabajo: Introducción de ANYTHING2SKILL, que extiende los agentes con recuperación aumentada desde el simple acceso al conocimiento hacia la adquisición de capacidades reutilizables, compilando registros heterogéneos en habilidades estructuradas y fundamentadas en evidencia.
2. Pipeline de Implementación: Un pipeline completo para la compilación y gestión de habilidades, que incluye la construcción de ventanas de evidencia, la extracción de planificación y expansión bajo un prior de árbol de habilidades, la generación de contratos estructurados, la consolidación consciente de la taxonomía, la reconciliación a nivel de registro, el seguimiento del ciclo de vida y las actualizaciones versionadas.
3. Validación Empírica: Demostración de que aumentar los agentes RAG con un SkillBank compilado mejora sustancialmente el éxito de las tareas en benchmarks de línea de comandos, superando a las líneas base de solo RAG y solo habilidades.

Resultados Experimentales

El marco fue evaluado en dos benchmarks de agentes de línea de comandos: qsv (operaciones de CSV) y GitHub-CLI (gestión de repositorios).

• Líneas Base: Un Agente Base (sin contexto externo) logró un 81.60% (qsv) y un 64.70% (GitHub-CLI) de éxito.
• Solo RAG: Mejoró el éxito a 95.41% (qsv) y 76.50% (GitHub-CLI).
• Solo ANYTHING2SKILL: Logró un 91.95% (qsv) y 82.30% (GitHub-CLI), demostrando que las habilidades compiladas proporcionan conocimiento procedimental reutilizable incluso sin la recuperación de documentos en el tiempo de la tarea.
• ANYTHING2SKILL + RAG: Alcanzó el máximo rendimiento con 98.85% en qsv y 94.10% en GitHub-CLI.

Los resultados indican que, si bien RAG proporciona los hechos declarativos necesarios, las habilidades compiladas ofrecen una guía procedimental complementaria (condiciones de invocación, secuencias de acción, restricciones) que reduce significativamente la carga de reconstruir procedimientos en tiempo de ejecución. La mejora fue particularmente pronunciada en GitHub-CLI, donde los flujos de trabajo complejos se benefician más de las estructuras procedimentales pre-compiladas.

Significado y Reivindicaciones

El artículo afirma que compilar el conocimiento procedimental latente en habilidades explícitas y reutilizables es un método efectivo para extender los agentes con recuperación aumentada. Los autores argumentan que los agentes no solo deben recuperar documentos externos como evidencia declarativa, sino que también deben organizar y reutilizar las capacidades procedimentales latentes dentro de ese conocimiento. Al transformar documentos, manuales y registros en un SkillBank persistente, ANYTHING2SKILL permite que los agentes pasen del acceso al conocimiento hacia la reutilización de capacidades, cerrando la breancia entre la generación aumentada por recuperación y la reutilización de capacidades basada en habilidades.