💬 NLP

AlignEvoSkill: Towards Knowledge-Aware and Task-Aligned Agent Skill Evolution

AlignEvoSkill एक नवीन ढांचा है जो ज्ञान कवरेज और कार्य संरेखण के संयुक्त अनुकूलन के माध्यम से पुन: प्रयोज्य कौशल विकसित करके LLM-आधारित एजेंट के प्रदर्शन को बढ़ाता है, जिससे कम कम्प्यूटेशनल लागत के साथ अत्याधुनिक परिणाम प्राप्त होते हैं।

मूल लेखक: Dingzirui Wang, Xuanliang Zhang, Keyan Xu, Qingfu Zhu, Wanxiang Che, Yang Deng

प्रकाशित 2026-05-27

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Dingzirui Wang, Xuanliang Zhang, Keyan Xu, Qingfu Zhu, Wanxiang Che, Yang Deng

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान रोबोट सहायक को जटिल काम करना सिखा रहे हैं, जैसे कि मीटिंग की योजना बनाना या कविता लिखना। हर एक निर्देश को हार्ड-कोड करने के बजाय, आप रोबोट को पुन: प्रयोज्य कौशलों (reusable skills) का एक "टूलबॉक्स" देते हैं (जैसे कि "ईमेल से तारीखें निकालना" या "राइम स्कीम की जांच करना")।

समस्या यह है कि जब रोबोट किसी कार्य में विफल होता है, तो उसके टूलबॉक्स को ठीक करने के पुराने तरीके अक्सर स्थिति को और बिगाड़ देते हैं। वे ये गलतियाँ कर सकते हैं:

मुख्य बात को भूल जाना: वे एक ऐसा कौशल चुन लेते हैं जो लगभग सही है लेकिन उसमें ज्ञान का एक महत्वपूर्ण हिस्सा छूट जाता है (जैसे कि यह जांचना भूल जाना कि क्या कोई वास्तव में खाली/फ्री है)।
बहुत अधिक विशिष्ट हो जाना: वे एक ऐसा कौशल बना देते हैं जो केवल उस एक विशिष्ट गलती के लिए काम करता है, न कि भविष्य के लिए एक सामान्य नियम सिखाने के लिए।

यह पेपर ALIGNEVOSKILL पेश करता है, जो रोबोट के टूलबॉक्स को अपग्रेड करने का एक नया तरीका है। इसे रोबोट के कौशल को दो विशिष्ट तरीकों से ठीक करने वाला एक स्मार्ट, डबल-चेकिंग एडिटर समझें।

दो-चरणीय "स्मार्ट एडिटर" प्रक्रिया

चरण 1: "नॉलेज टैग" जासूस (क्या गायब है, उसे ठीक करना)
कल्पना कीजिए कि रोबोट के टूलबॉक्स में मौजूद हर कौशल पर स्टिकी नोट्स (टैग्स) लगे हैं जो यह बताते हैं कि वह क्या करता है।

पुराना तरीका: जब रोबot विफल होता है, तो पुराने तरीके केवल सबसे मिलते-जुलते दिखने वाले कौशल को पकड़ लेते हैं या दो कौशलों को बेतरतीब ढंग से मिला देते हैं। यह एक लीक होते पाइप को ठीक करने के लिए उस पर रिंच (wrench) चिपकाने जैसा है—यह देखने में संबंधित लग सकता है, लेकिन यह वास्तव में छेद को ठीक नहीं करता है।
ALIGNEVOSKILL का तरीका: पहले, यह विफल कार्य को देखता है और पूछता है, "यहाँ कौन सा विशिष्ट ज्ञान गायब था?" यह "आवश्यक टैग्स" की एक सूची बनाता है (जैसे, "उपलब्धता की जांच करें," "टाइम ज़ोन संभालें")।
फिर, यह टूलबॉक्स को स्कैन करता है ताकि ऐसे कौशल मिल सकें जिनमें मैचिंग टैग्स हों। यदि किसी कौशल में कोई टैग (जैसे "टाइम ज़ोन") गायब है, तो सिस्टम को पता चल जाता है कि किस कमी को भरने की आवश्यकता है। फिर यह एक नया कौशल बनाता है जो पुराने कौशलों के उपयोगी हिस्सों को जोड़ता है लेकिन विशेष रूप से उस गायब ज्ञान को भी शामिल करता है।

चरण 2: "प्रासंगिकता" फ़िल्टर (क्या अप्रासंगिक है, उसे ठीक करना)
एक नया संभावित कौशल बनाने के बाद, सिस्टम को यह तय करना होता है: "क्या यह वास्तव में काम के लिए अच्छा है?"

पुराना तरीका: कुछ तरीके केवल रोबोट के विफल प्रयास को देखते हैं और कहते हैं, "ठीक है, चलिए एक ऐसा कौशल बनाते हैं जो उस विशिष्ट त्रुटि से बच सके।" यह एक छात्र द्वारा एक विशिष्ट गणित की समस्या का उत्तर रटने जैसा है लेकिन सूत्र को न समझना। यदि संख्याएं बदल जाती हैं, तो वे फिर से विफल हो जाते हैं।
ALIGNEVOSKILL का तरीका: यह एक "प्रासंगिकता परीक्षण" (relevance test) का उपयोग करता है। यह AI से पूछता है, "यदि आपको केवल कार्य का विवरण दिया जाए, तो इस विशिष्ट कौशल को उत्पन्न करने की कितनी संभावना होगी?"
- यदि कौशल केवल रोबोट की पिछली विफलता का एक अजीब विवरण है, तो स्कोर कम होगा।
- यदि कौशल उस कार्य के लिए एक आदर्श, सामान्य मार्गदर्शिका है, तो स्कोर उच्च होगा।
सिस्टम केवल उन कौशलों को रखता है जो इस परीक्षण में उच्च स्कोर करते हैं, और बाकी "शोर वाले" या अप्रासंगिक कौशलों को हटा देता है।

परिणाम: कम प्रयास में एक बेहतर टूलबॉक्स

शोधकर्ताओं ने चार अलग-अलग प्रकार के रोबोट दिमागों (LLMs) का उपयोग करके तीन अलग-अलग "परीक्षा" सेटों (benchmarks) पर इसका परीक्षण किया।

बड़ी जीत: नए तरीके ने कौशलों को विकसित किए बिना काम करने की तुलना में रोबोट के प्रदर्शन में 34.7% का सुधार किया।
प्रतिस्पर्धा को पछाड़ना: इसने पिछले सर्वश्रेष्ठ तरीकों को एक बड़े अंतर से पछाड़ दिया, और एक नया "गोल्ड स्टैंडर्ड" (SOTA) स्थापित किया।
सस्ता: आश्चर्यजनक रूप से, इसने अन्य तरीकों की तुलना में कम कंप्यूटिंग पावर और समय का उपयोग करते हुए यह सब हासिल किया। इसने केवल सफलता के लिए ब्रूट-फोर्स का उपयोग नहीं किया; यह अधिक कुशल था क्योंकि इसने खराब विचारों पर समय बर्बाद करना जल्दी ही बंद कर दिया।

निचोड़ (The Bottom Line)

ALIGNEVOSKILL एक कुशल शिल्पकार की तरह है जो केवल समस्या के लिए अधिक औज़ार नहीं फेंकता। इसके बजाय, वे:

पहचानते हैं कि कौन सा औज़ार गायब है ("नॉलेज टैग्स" का उपयोग करके)।
एक नया औज़ार बनाते हैं जो पुराने औजारों को जोड़ता है लेकिन उस कमी को भी भरता है।
नए औज़ार का परीक्षण करते हैं ताकि यह सुनिश्चित हो सके कि वह वास्तव में काम के लिए उपयोगी है, न कि केवल पिछली गलती की एक प्रति।

परिणामस्वरूप, एक ऐसा रोबोट मिलता है जो अपनी विफलताओं से बहुत तेज़ी से सीखता है, कम गलतियाँ करता है, और भारी मात्रा में अतिरिक्त कंप्यूटिंग पावर की आवश्यकता के बिना अपने काम में बेहतर होता जाता है।

तकनीकी सारांश: ALIGNEVOSKILL

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल (LLM) एजेंट दीर्घकालिक क्षमताओं को बढ़ाने के लिए पुन: प्रयोज्य प्रक्रियात्मक ज्ञान, या "कौशल" (skills) पर निर्भर करते हैं। जबकि मौजूदा कौशल-विकास (skill-evolution) विधियाँ पिछले अनुभवों से कौशल पुस्तकालयों को स्वचालित रूप से परिष्कृत करने का प्रयास करती हैं, वे दो महत्वपूर्ण सीमाओं से ग्रस्त हैं जो अपूर्ण या अप्रासंगिक विकसित कौशल का परिणाम देती हैं:

अनुचित ज्ञान कवरेज (Improper Knowledge Coverage): वर्तमान विधियाँ अक्सर एक मौजूदा कौशल पर निर्भर रहती हैं या केवल कई कौशलों को आपस में जोड़ देती हैं। यह दृष्टिकोण विभिन्न कौशलों में बिखरे हुए कार्य-प्रासंगिक ज्ञान की अनदेखी करने या अप्रासंगिक और विरोधाभासी जानकारी पेश करने का जोखिम उठाता है, जिससे शोर युक्त या अपूर्ण कौशल परिभाषाएँ उत्पन्न होती हैं।
कमजोर कार्य संरेखण (Weak Task Alignment): निष्पादन प्रक्षेपवक्र (execution trajectories) से कौशल निकालने वाली विधियाँ अक्सर विफल रन के विशिष्ट इतिहास पर बहुत अधिक ध्यान केंद्रित करती हैं। फलस्वरूप, विकसित कौशल अंतर्निहित कार्य आवश्यकताओं के बजाय निष्पादन पथ (execution path) को दर्शा सकता है, जिससे एजेंट को भविष्य के उदाहरणों में लक्ष्य कार्य को हल करने के लिए प्रभावी ढंग से निर्देशित करने में विफलता होती है।

ये सीमाएँ विकसित कौशलों को पूर्ण ज्ञान और लक्षित कार्य उद्देश्यों के साथ सख्ती से संरेखित होने से रोकती हैं।

2. कार्यप्रणाली: ALIGNEVOSKILL

लेखक ALIGNEVOSKILL का प्रस्ताव करते हैं, जो एक ऐसा ढांचा (framework) है जिसे कौशल विकास प्रक्रिया के दौरान ज्ञान कवरेज और कार्य संरेखण को संयुक्त रूप से मॉडल करने के लिए डिज़ाइन किया गया है। यह ढांचा विफल कार्य प्रक्षेपवक्रों (failed task trajectories) पर कार्य करता है और बेस एजेंट मापदंडों को स्थिर रखते हुए एक बाहरी कौशल पुस्तकालय को अपडेट करता है। यह प्रक्रिया तीन मुख्य चरणों में संचालित होती है:

A. नॉलेज-टैग-गाइडेड सोर्स स्किल सिलेक्शन (Knowledge-Tag-Guided Source Skill Selection)

केवल सिमेंटिक समानता के आधार पर कौशल खोजने के बजाय, ALIGNEVOSKILL प्रत्येक कौशल को नॉलेज टैग्स (प्रक्रियात्मक क्षमताओं का वर्णन करने वाले संक्षिप्त वाक्यांश, जैसे, "PDF टेक्स्ट एक्सट्रैक्शन") के एक सेट से जोड़ता है।

टैग इन्फरेंस (Tag Inference): एक विफल कार्य-प्रक्षेपवक्र युग्म $(x, \tau)$ के लिए, एक LLM आवश्यक लक्ष्य नॉलेज टैग सेट $K^\star$ का अनुमान लगाता है।
इष्टतम चयन (Optimal Selection): सिस्टम वर्तमान लाइब्रेरी से सोर्स स्किल्स का एक उपसमूह $S^\star$ चुनता है जो $K^\star$ के कवरेज को अधिकतम करता है और अप्रासंगिक टैग्स (वे टैग जो $S^\star$ में हैं लेकिन $K^\star$ में नहीं हैं) के समावेश को न्यूनतम करता है।
अंतराल की पहचान (Gap Identification): यह "अनकवर्ड टैग्स" ( $K^\star_{un}$ ) की पहचान करता है, जो उस ज्ञान का प्रतिनिधित्व करते हैं जो कार्य के लिए आवश्यक है लेकिन चयनित सोर्स स्किल्स में मौजूद नहीं है।

B. नॉलेज-टैग-गाइडेड स्किल जनरेशन (Knowledge-Tag-Guided Skill Generation)

चयनित सोर्स स्किल्स, विफलता प्रक्षेपवक्र और अनकवर्ड टैग्स को इनपुट के रूप में उपयोग करके, एक LLM कैंडिडेट स्किल्स (candidate skills) उत्पन्न करता है।

जनरेशन प्रक्रिया को चयनित स्किल्स से उपयोगी ज्ञान स्थानांतरित करने और पहचाने गए $K^\star_{un}$ को स्पष्ट रूप से संबोधित करने के लिए अनुकूलित (conditioned) किया जाता है।
इसका लक्ष्य एक पुन: प्रयोज्य कौशल बनाना है जो केवल विशिष्ट विफलता प्रक्षेपवक्र का वर्णन करने के बजाय, संबंधित कार्यों के एक वर्ग (class) के लिए सामान्यीकृत (generalize) हो सके।

C. कवरेज और एलाइनमेंट के माध्यम से स्किल फ़िल्टरिंग (Skill Filtering via Coverage and Alignment)

उच्च गुणवत्ता सुनिश्चित करने के लिए, कैंडिडेट स्किल्स को एक संयुक्त स्कोरिंग मानदंड का उपयोग करके फ़िल्टर किया जाता है:

नॉलेज-टैग कवरेज ( $F_{tag}$ ): जनरेट किए गए कौशल के टैग और लक्षित कार्य के टैग के बीच F1 स्कोर की गणना करता है। यह सुनिश्चित करता है कि कौशल आवश्यक प्रक्रियात्मक ज्ञान को कवर करता है।
लाइकलीहुड-आधारित टास्क एलाइनमेंट ( $A$ ): कार्य विवरण दिए जाने पर कौशल उत्पन्न करने की सशर्त संभावना (conditional likelihood) को मापता है, जिसे अनकंडीशनल लाइकलीहुड द्वारा सामान्यीकृत (normalize) किया जाता है। यह मीट्रिक, $A(c) = \sigma(\frac{1}{|c|}(\log \hat{p}(c|x) - \log \hat{p}(c|\emptyset)))$ , यह सुनिश्चित करता है कि कौशल विशेष रूप से कार्य आवश्यकताओं में निहित है न कि किसी सामान्य या प्रक्षेपव経過-विशिष्ट आर्टिफैक्ट के रूप में।
अंतिम स्कोर (Final Score): सिस्टम कवरेज और एलाइनमेंट स्कोर के ज्यामितीय माध्य (geometric mean) के आधार पर शीर्ष-रैंक्ड उम्मीदवारों को रखता है: $Score(c) = \sqrt{F_{tag}(c) \cdot A(c)}$ ।

3. प्रमुख योगदान (Key Contributions)

सीमाओं की पहचान: पेपर औपचारिक रूप से वर्तमान कौशल-विकास प्रतिमानों में अनुचित ज्ञान कवरेज और कमजोर कार्य संरेखण की दोहरी चुनौतियों की पहचान और समाधान करता है।
नया ढांचा (Novel Framework): यह ALIGNEVOSKILL पेश करता है, जो सोर्स स्किल चयन को निर्देशित करने के लिए नॉलेज टैग का उपयोग करता है और फ़िल्टरिंग के दौरान टास्क एलाइनमेंट को लागू करने के लिए लाइकलीहुड-आधारित मीट्रिक का उपयोग करता है।
व्यापक मूल्यांकन: इस पद्धति का मूल्यांकन 3 बेंचमार्क (SRA-Bench, SkillsBench, SkillLearnBench) और 4 विविध LLM बैकबोन (DeepSeek-V4-Flash, Claude-Haiku-4.5, GPT-5.4-Nano, GPT-5.4) पर किया गया है।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रदर्शन लाभ (Performance Gains): ALIGNEVOSKILL नॉन-इवोल्यूशन बेसलाइन (Base) पर 34.7% सापेक्ष लाभ प्राप्त करता है और सभी सेटिंग्स में मौजूदा स्टेट-ऑफ-द-आर्ट बेसलाइन्स (CoEvoSkills, Trace2Skill, SkillX) से औसतन 3.3 से 3.7 अंक बेहतर प्रदर्शन करता है।
स्टेट-ऑफ-द-आर्ट (State-of-the-Art): यह पद्धति कौशल विकास में एक नया SOTA स्थापित करती है, जो तीनों बेंचमार्क और सभी मॉडल बैकबोन पर सर्वश्रेष्ठ परिणाम प्राप्त करती है।
दक्षता (Efficiency): अपने प्रदर्शन लाभों के बावजूद, ALIGNEVOSKILL मौजूदा बेसलाइन्स की तुलना में टोकन उपयोग में लगभग 33.2% की कमी और वॉल-क्लॉक समय में 28.1% की कमी के साथ बेहतर दक्षता प्रदर्शित करता है।
घटक विश्लेषण (Component Analysis): एब्लेशन अध्ययन (Ablation studies) पुष्टि करते हैं कि किसी भी घटक (सैंपलिंग, जनरेशन, या फ़िल्टरिंग) को हटाने से प्रदर्शन में काफी गिरावट आती है, जो संयुक्त अनुकूलन दृष्टिकोण की आवश्यकता को प्रमाणित करता है।
सहसंबंध (Correlation): विश्लेषण से पता चलता है कि विधि की नॉलेज-टैग कवरेज (9.9% वृद्धि) और टास्क-एलाइनमेंट लाइकलीहुड (8.9% वृद्धि) में सुधार करने की क्षमता और परिणामी डाउनस्ट्रीम टास्क प्रदर्शन के बीच एक मजबूत सकारात्मक सहसंबंध है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि प्रभावी कौशल विकास के लिए कार्य द्वारा आवश्यक ज्ञान और उस विशिष्ट कार्य उद्देश्य के प्रति कौशल के संरेखण (alignment) दोनों को स्पष्ट रूप से मॉडल करना आवश्यक है। सरल प्रक्षेपवक्र डिस्टिलेशन या कौशल संयोजन से आगे बढ़कर, ALIGNEVOSKILL यह प्रदर्शित करता है कि:

कौशलों को ज्ञान-पूर्ण (knowledge-complete) और कार्य-विशिष्ट (task-specific) दोनों विकसित किया जा सकता है।
नॉलेज टैग और एलाइनमेंट फ़िल्टरिंग का उपयोग करके लक्षित विकास, व्यापक, बिना मार्गदर्शन वाले डिस्टिलेशन पाइपलाइनों की तुलना में अधिक कुशल और प्रभावी है।
यह दृष्टिकोण विभिन्न मॉडल परिवारों और स्केल के लिए मजबूत है, जो बेस LLM को फिर से प्रशिक्षित किए बिना एजेंट क्षमताओं में सुधार के लिए एक व्यावहारिक मार्ग प्रदान करता है।

लेखक सीमाओं को स्वीकार करते हैं, यह नोट करते हुए कि विधि सूचनात्मक विफलता प्रक्षेपवक्रों और विश्वसनीय कार्य फीडबैक पर निर्भर करती है, और वर्तमान प्रयोग विशिष्ट बेंचमार्क और LLM बैकबोन तक सीमित हैं। हालांकि, परिणाम बताते हैं कि प्रस्तावित ढांचा वर्तमान एजेंट कौशल विकास में प्रचलित शोर और मिसअलाइनमेंट (misalignment) की समस्याओं को प्रभावी ढंग से कम करता है।