🤖 AI

VCE-Skill: Enhancing Skill Self-Evolution with Version-Change Experience

यह शोध पत्र VCE-Skill का प्रस्ताव करता है, जो एक नवीन ढांचा है जो सार्वजनिक कौशल संस्करण इतिहासों से आसत (distilled), संरचित अनुभव के साथ कार्य-विशिष्ट निष्पादन प्रक्षेपवक्रों को अनुकूल रूप से संलयित करके एजेंट कौशल स्व-विकास को बढ़ाता है, जिसके परिणामस्वरूप महत्वपूर्ण प्रदर्शन सुधार और मजबूत क्रॉस-मॉडल स्थानांतरण क्षमताएं प्राप्त होती हैं।

मूल लेखक: Jianming Chen, Xuanbin Ye, Yawen Wang, Junjie Wang, Qing Wang, Fanjiang XU

प्रकाशित 2026-08-18

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jianming Chen, Xuanbin Ye, Yawen Wang, Junjie Wang, Qing Wang, Fanjiang XU

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया 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

आर्टिफिशियल इंटेलिजेंस की तेजी से बदलती दुनिया में, शोधकर्ता कंप्यूटर प्रोग्रामों को मानवीय सहायकों की तरह कार्य करने के लिए प्रशिक्षित कर रहे हैं। ये प्रोग्राम, जिन्हें अक्सर 'एजेंट्स' कहा जाता है, केवल प्रश्नों के उत्तर ही नहीं देते; वे उपकरणों का उपयोग करके, निर्देशों का पालन करके और फाइलों का प्रबंधन करके कार्य भी करते हैं। इन एजेंटों को विश्वसनीय बनाने के लिए, डेवलपर्स उन्हें "कौशल" (skills) प्रदान करते हैं। एक कौशल को निर्देशों, स्क्रिप्टों और संसाधनों से युक्त एक पोर्टेबल टूलबॉक्स के रूप रूप में समझें जिसे एजेंट किसी विशिष्ट प्रकार की समस्या का सामना करने पर उठा सकता है और उपयोग कर सकता है। हालाँकि, जिस तरह एक इंसान अपनी गलतियों से सीखता है, ये उपकरण पहली बार बनाए जाने पर शायद ही कभी पूर्ण होते हैं। जैसे-जैसे दुनिया बदलती है और नई चुनौतियाँ सामने आती हैं, इन टूलबॉक्सेस के भीतर के निर्देशों को अपडेट, पैच और बेहतर करने की आवश्यकता होती है। वैज्ञानिकों के लिए केंद्रीय प्रश्न यह है कि इस सुधार प्रक्रिया को कैसे स्वचालित किया जाए ताकि एजेंट समय के साथ खुद को बेहतर बनाने के लिए स्वयं को शिक्षित कर सकें।

कुछ समय से, इस आत्म-सुधार के लिए मानक दृष्टिकोण यह रहा है कि एजेंट को एक कार्य करने दिया जाए, यह देखा जाए कि वह कहाँ विफल होता है, और फिर उस विशिष्ट विफलता के आधार पर निर्देशों को फिर से लिखा जाए। यह विधि पूरी तरह से वर्तमान प्रयास के दौरान एकत्र किए गए साक्ष्यों पर निर्भर करती है। हालाँकि यह काम करता है, लेकिन इसमें एक कमी है: यह केवल उन्हीं गलतियों को देखता है जो अभी हो रही हैं। यह उन व्यापक पाठों को नहीं देख पाता जो अन्य डेवलपर्स ने वर्षों तक समान उपकरणों के रखरखाव के दौरान सीखे हैं। चीनी विज्ञान अकादमी और बीजिंग यूनिवर्सिटी ऑफ पोस्ट एंड टेलीकम्युनिकेशंस की एक टीम के शोधकर्ताओं ने महसूस किया कि यह संकीर्ण ध्यान ज्ञान के एक विशाल पुस्तकालय को अप्रयुक्त छोड़ रहा था। उन्होंने यह देखने के लिए प्रयास किया कि क्या सार्वजनिक सॉफ्टवेयर टूल्स में किए गए परिवर्तनों का इतिहास एक एजेंट को कुछ ऐसा सिखा सकता है जो उसके अपने तात्कालिक अनुभव से नहीं मिल सकता।

शोधकर्ताओं ने दो अलग-अलग सूचना स्रोतों की तुलना करके शुरुआत की। पहला स्रोत किसी कार्य के प्रति एजेंट के अपने हालिया प्रयास थे, जो इस बात का विस्तृत लेकिन संकीर्ण दृश्य प्रदान करते थे कि क्या गलत हुआ। दूसरा स्रोत समय के साथ मानव डेवलपर्स द्वारा समान उपकरणों में किए गए परिवर्तनों का सार्वजनिक इतिहास था। जब उन्होंने इन दोनों स्रोतों का एक साथ विश्लेषण किया, तो उन्होंने एक स्पष्ट और उपयोगी अंतर पाया। एजेंट के अपने प्रयास मुख्य रूप से उपकरणों को कॉल करने या निर्देशों को पढ़ने के तरीके में तत्काल, विशिष्ट त्रुटियों को ठीक करने पर केंद्रित थे। इसके विपरीत, सार्वजनिक इतिहास में सुधारों की एक बहुत अधिक विविध श्रेणी शामिल थी, जिसमें डेटा को व्यवस्थित करने के तरीके, स्क्रिप्ट को संरचित करने के तरीके और उपकरण द्वारा अप्रत्याशित स्थितियों को संभालने के तरीके में परिवर्तन शामिल थे। सार्वजनिक रिकॉर्ड एक व्यापक परिप्रेक्ष्य प्रदान करते थे, जबकि एजेंट के अपने रिकॉर्ड एक जमीनी, कार्य-विशिष्ट वास्तविकता प्रदान करते थे। दोनों स्रोत एक-दूसरे को दोहराते नहीं थे; इसके बजाय, वे एक-दूसरे की कमियों को पूरा करते थे।

इस अंतर्दृष्टि को काम में लाने के लिए, टीम ने VCE-Skill नामक एक नया सिस्टम विकसित किया। यह सिस्टम एजेंट के वर्तमान अनुभव और अतीत के सामूहिक ज्ञान के बीच एक सेतु के रूप में कार्य करता है। यह प्रक्रिया दो मुख्य चरणों में होती है। पहले, सिस्टम सार्वजनिक रिपॉजिटरी से परिवर्तनों के कच्चे, अव्यवस्थित इतिहास को लेता है और उन्हें साफ करता है। यह उन विशिष्ट विवरणों को हटा देता है जो केवल एक प्रोजेक्ट पर लागू होते हैं और उन्हें सामान्य, पुन: प्रयोज्य पाठों में संकुचित कर देता है। उदाहरण के लिए, यदि कई डेवलपर्स ने फ़ाइल खोलने का प्रयास करने से पहले यह सुनिश्चित करने के लिए एक चेक जोड़ा है कि फ़ाइल मौजूद है, तो सिस्टम इसे एक एकल सुधार के बजाय एक सामान्य नियम के रूप में सीखता है। इन संकुचित पाठों को अनुभव के एक संरचित पुस्तकालय में संग्रहीत किया जाता है।

दूसरे चरण में, एजेंट एक कार्य करने का प्रयास करता है और जो हुआ उसके आधार पर सुधार के अपने विचार उत्पन्न करता है। इसके बाद, सिस्टम अपने संकुचित पाठों के पुस्तकालय को देखता है और वर्तमान समस्या के लिए सबसे प्रासंगिक पाठों का चयन करता है। यह पुराने पाठों की नकल नहीं करता या अपने स्वयं के विचारों को अनदेखा नहीं करता। इसके बजाय, यह सावधानीपूर्वक दोनों का मिश्रण करता है। यदि एजेंट एक सामान्य समस्या से जूझ रहा है जिसे सार्वजनिक इतिहास ने कई बार हल किया है, तो सिस्टम उस बाहरी ज्ञान पर अधिक भरोसा करता है। यदि एजेंट एक अद्वितीय, अजीब त्रुटि का सामना कर रहा है जो पहले कभी नहीं देखी गई है, तो सिस्टम एजेंट के अपने अवलोकन पर अधिक विश्वास करता है। यह संतुलन स्थिर नहीं है; सिस्टम लगातार इस बात को समायोजित करता है कि वह बाहरी पुस्तकालय बनाम एजेंट के अपने अनुभव पर कितना भरोसा करता है, इस आधार पर कि क्या परिवर्तन वास्तव में एजेंट के प्रदर्शन को बेहतर बना रहे हैं।

इस दृष्टिकोण के परिणामों का परीक्षण पांच अलग-अलग प्रकार के कार्यों में किया गया था, जिनमें जटिल प्रश्नों के उत्तर देने से लेकर स्प्रेडशीट प्रबंधित करने और आभासी वातावरण में रोबोट को नियंत्रित करने तक शामिल थे। शोधकर्ताओं ने एजेंट के रूप में कार्य करने के लिए चार अलग-अलग लार्ज लैंग्वेज मॉडल्स का उपयोग किया। हर मामले में, एजेंट के आत्म-सुधार लूप में इस बाहरी अनुभव को जोड़ने से बेहतर प्रदर्शन हुआ। एजेंटों ने औसतन उच्च स्कोर प्राप्त किया, जिसमें विभिन्न परीक्षणों में तीन से पांच अंकों तक का सुधार देखा गया। अधिक महत्वपूर्ण बात यह है कि इस पद्धति से सुधारे गए कौशल अधिक मजबूत साबित हुए। जब शोधकर्ताओं ने एक ऐसे कौशल को लिया जिसे इस नई पद्धति के साथ विकसित किया गया था और उसे उस कंप्यूटर मॉडल पर टेस्ट किया जिस पर उसे प्रशिक्षित नहीं किया गया था, तो इसने उन कौशलों की तुलना में काफी बेहतर प्रदर्शन किया जो केवल अपनी तात्कालिक गलतियों से सीखे थे। यह सुझाव देता है कि सार्वजनिक इतिहास से व्यापक पाठों को शामिल करके, एजेंटों ने सामान्य सिद्धांतों को सीखा जो नई स्थितियों में लागू किए जा सकते हैं, न कि केवल एक विशिष्ट त्रुटि को ठीक करने का तरीका सीखा।

यह अध्ययन इस दावे के साथ नहीं है कि गलतियों से सीखने का पुराना तरीका बेकार है। कार्य के विशिष्ट विवरणों को समझने के लिए एजेंट का अपना अनुभव आवश्यक बना हुआ है। नई विधि केवल संदर्भ की एक ऐसी परत जोड़ती है जिसे एजेंट स्वयं नहीं खोज सकता था। सार्वजनिक सॉफ्टवेयर परिवर्तनों के इतिहास को पूर्व ज्ञान के एक मूल्यवान स्रोत के रूप में मानकर, शोधकर्ताओं ने दिखाया है कि एजेंट अधिक प्रभावी ढंग से विकसित होना सीख सकते हैं। उन्होंने प्रदर्शित किया है कि एक स्मार्ट, अधिक विश्वसनीय एजेंट का मार्ग केवल इस बात को देखने के बारे में नहीं है कि क्षण में क्या हो रहा है, बल्कि यह समझने के बारे में भी है कि समान उपकरणों को समय के साथ कैसे सुधारा गया है। यह दृष्टिकोण आर्टिफिशियल इंटेलिजेंस को अधिक अनुकूलन योग्य बनाने का एक व्यावहारिक तरीका प्रदान करता है, यह सुनिश्चित करता है कि इसके द्वारा उपयोग किए जाने वाले उपकरण न केवल आज के लिए कार्यात्मक हों, बल्कि भविष्य के लिए भी पर्याप्त मजबूत हों।

तकनीकी सारांश: VCE-Skill

समस्या विवरण

एजेंट सिस्टम तेजी से पुन: प्रयोज्य कौशल (reusable skills)—जो निर्देशों, स्क्रिप्ट और कॉन्फ़िगरेशन के पोर्टेबल बंडल हैं—पर निर्भर होते जा रहे हैं ताकि कार्यों के वर्गों (classes of tasks) को हल किया जा सके। हालांकि हाल के कार्यों ने एक प्रक्षेपवक्र-संचालित प्रतिमान (trajectory-driven paradigm) के माध्यम से कौशल स्व-विकास (skill self-evolution) को स्वचालित किया है (एजेंटों को निष्पादित करना, विफलताओं का निदान करना और कौशलों को संशोधित करना), यह दृष्टिकोण अंतर्निहित सीमाओं का सामना करता है। अपडेट सख्ती से वर्तमान रन के दौरान एकत्र किए गए निष्पादन प्रक्षेपवक्रों (execution trajectories) की गुणवत्ता और कवरेज तक सीमित हैं। शोर वाले या निम्न-गुणवत्ता वाले प्रक्षेपवक्र विफलता के कारणों को अस्पष्ट कर सकते हैं, जबकि विफलता मोड का अधूरा कवरेज ऐसे अपडेट की ओर ले जा सकता है जो सीमित अवलोकनों पर ओवरफिट (overfit) हो जाते हैं। फलस्वरूप, प्रक्षेपवक्र-संचालित विकास अक्सर व्यापक रूप से उपयोगी अपडेट ज्ञान को अनदेखा कर देता है जो वर्तमान निष्पादनों द्वारा प्रकट नहीं होता है।

यद्यपि सार्वजनिक कौशल संस्करण इतिहास (जैसे, GitHub या ClawHub से) रखरखाव के दौरान डेवलपर्स द्वारा अपनाए गए विकास ज्ञान का एक समृद्ध स्रोत होते हैं, यह संसाधन कौशल स्व-विकास के लिए काफी हद तक अप्रयुक्त रहा है। यह स्पष्ट नहीं है कि क्या ये सार्वजनिक परिवर्तन केवल प्रक्षेपवधर-आधारित विकास में पाए जाने वाले रणनीतियों को दोहराते हैं या वे पूरक ज्ञान प्रदान करते हैं। इसके अलावा, कच्चे वर्शन डिफ्स (raw version diffs) सूक्ष्म-स्तरीय (fine-grained) और रिपॉजिटरी-विशिष्ट होते हैं, जिससे उन्हें बिना एब्स्ट्रैक्शन (abstraction) के वर्तमान कार्यों की विफलताओं पर सीधे लागू करना कठिन हो जाता है।

कार्यप्रणाली: VCE-Skill

लेखक VCE-Skill (वर्जन-चेंज एक्सपीरियंस स्किल) प्रस्तावित करते हैं, जो एक ढांचा (framework) है जिसे सार्वजनिक कौशल संस्करण इतिहास से बाहरी अनुभव को आंतरिक निष्पादन प्रक्षेपवक्रों के साक्ष्य के साथ एकीकृत करके कौशल स्व-विकास को बढ़ाने के लिए डिज़ाइन किया गया है। यह विधि दो प्राथमिक चरणों में कार्य करती है:

1. अनुभव आसवन (Experience Distillation)

यह चरण सार्वजनिक रिपॉजिटरी से कच्चे, शोर वाले वर्शन डिफ्स को पुन: प्रयोज्य, संरचित मार्गदर्शन में परिवर्तित करता है।

परिवर्तन एब्स्ट्रैक्शन (Change Abstraction): आसन्न कौशल संस्करणों के बीच कच्चे डिफ्स को अपडेट इवेंट्स में विघटित किया जाता है। प्रत्येक इवेंट को $u_j = \langle d_j, \{c_j\}, o_j, i_j \rangle$ के रूप में संरचित किया जाता है, जो कच्चे डिफ ( $d_j$ ), प्रभावित घटकों ( $c_j$ ), सिमेंटिक ऑपरेशन ( $o_j$ ), और अपडेट इंटेंट ( $i_j$ ) का प्रतिनिधित्व करता है।
अनुभव जनरेशन (Experience Generation): इन इवेंट्स को तीन पदानुक्रमित स्तरों के ज्ञान में आसवित (distill) किया जाता है:
- अपडेट पैटर्न (Update Patterns): एक कौशल के इतिहास के भीतर संबंधित इवेंट्स के समूह, जिन्हें रिपॉजिटरी-विशिष्ट विवरणों को हटाने के लिए संक्षिप्त किया गया है।
- इवोल्यूशन इनसाइट्स (Evolution Insights): विशिष्ट कौशल के लिए आवर्ती अपडेट पैटर्न को चरित्रित करने वाली संश्लेषित रणनीतियाँ।
- डोमेन इनसाइट्स (Domain Insights): समान कार्य डोमेन में कौशलों में हस्तांतरणीय अनुकूलन रणनीतियों को कैप्चर करने वाले सामान्यीकृत सिद्धांत।
अनुभव बैंक (Experience Bank): आसवित ज्ञान को एक संरचित बैंक ( $B$ ) में एकत्रित किया जाता है जो एक बाहरी ज्ञान कोष (corpus) के रूप में कार्य करता है।

2. अनुकूली अनुभव ध्यान के साथ अनुकूलन (Optimization with Adaptive Experience Attention)

यह चरण डिस्टिल्ड बाहरी अनुभव को बेस इवॉल्वर के प्रक्षेपवक्र-व्युत्पन्न प्रस्तावों के साथ एकीकृत करता है।

अनुभव चयन (Experience Selection): प्रत्येक पुनरावृत्ति (iteration) में, लक्षित कार्य, वर्तमान कौशल और पिछले अपडेट से फीडबैक से एक चयन संदर्भ बनाया जाता है। एक LLM-आधारित सेलेक्टर बैंक से शीर्ष- $K$ प्रासंगिक अनुभवों को पुनर्प्राप्त करता है।
स्व-प्रस्ताव जनरेशन (Self-Proposal Generation): समानांतर में, एक बेस इवॉल्वर (जैसे, SkillOpt, EvoSkill) केवल वर्तमान निष्पादन प्रक्षेपवूर्ण के आधार पर एक स्व-प्रस्ताव ( $p^{self}_t$ ) उत्पन्न करता है।
अनुकूली ध्यान संलयन (Adaptive Attention Fusion): सिस्टम अनुकूली ध्यान भार ( $\lambda^{exp}_t, \lambda^{self}_t$ $λ_{t}^{e x p}, λ_{t}^{se l f}$ ) का उपयोग करके बाहरी अनुभव मार्गदर्शन ( $p^{exp}_t$ $p_{t}^{e x p}$ ) और स्व-प्रस्ताव ( $p^{self}_t$ $p_{t}^{se l f}$ ) को फ्यूज करता है।
- भार को समान रूप से इनिशियलाइज़ किया जाता है लेकिन उन्हें अनुकूलन फीडबैक (Adaptation Feedback) के आधार पर गतिशील रूप से समायोजित किया जाता है।
- फीडबैक तंत्र: एक अपडेट के बाद, सिस्टम वास्तविक परिवर्तनों के उद्गम (कि क्या वे बाहरी अनुभव से उत्पन्न हुए या स्व-प्रस्ताव से) और सत्यापन प्रदर्शन परिवर्तन का विश्लेषण करता है। यह एकीकृत फीडबैक ( $f_t$ ) अगली पुनरावृत्ति के लिए ध्यान भार को समायोजित करता है, जिससे सफल सुधारों में योगदान देने वाले स्रोत पर निर्भरता बढ़ती है और गैर-सुधार वाले अपडेट से जुड़े स्रोतों से हटकर ध्यान केंद्रित होता है।

मुख्य योगदान

प्रेरणा अध्ययन (Motivation Study): लेखकों ने सार्वजनिक कौशल परिवर्तनों और प्रक्षेपवक्र-व्युत्पन्न परिवर्तनों की तुलना करने के लिए एक पायलट अध्ययन किया। उन्होंने पूरक कवरेज (complementary coverage) का खुलासा किया: प्रक्षेपवधर-व्युत्पन्न परिवर्तन निर्देशों और संकीर्ण इरादों (intents) पर अत्यधिक केंद्रित होते हैं, जबकि सार्वजनिक इतिहास व्यापक घटकों को कवर करता है और अद्वितीय इरादों और पैटर्न को पेश करता है जो वर्तमान रोलआउट में नहीं देखे गए हैं।
VCE-Skill फ्रेमवर्क: एक ऐसी विधि का परिचय जो कच्चे वर्शन परिवर्तनों को संरचित, पुन: प्रयोज्य अनुभव में आसवित करती है और पुनरावृत्त अनुकूलन के दौरान इस बाहरी पूर्व (prior) को प्रक्षेपवधर-व्युत्पन्न प्रस्तावों के साथ अनुकूल रूप से फ्यूज करती है।
अनुभवजन्य सत्यापन (Empirical Validation): कई बेंचमार्क और मॉडल पर VCE-Skill की प्रभावशीलता और सामान्यता को प्रदर्शित करने वाले व्यापक प्रयोग।

प्रयोगात्मक परिणाम

लेखकों ने चार LLMs (Qwen3.5-27B, GPT-5.2, DeepSeek-v3.2, Claude Sonnet 5) और तीन बेस स्व-विकास विधियों (EvoSkill, SkillClaw, SkillOpt) का उपयोग करके पांच बेंचमार्क (SearchQA, OfficeQA, ALFWorld, Spreadsheet, BFCL-v4) पर VCE-Skill का मूल्यांकन किया।

प्रदर्शन सुधार: VCE-Skill ने सभी बेस इवॉल्वर्स के प्रदर्शन में निरंतर सुधार किया। विभिन्न कॉन्फ़िगरेशन में औसत स्कोर में 3.20 से 4.98 अंक की वृद्धि हुई। उदाहरण के लिए, SkillOpt+VCE ने Qwen3.5-27B पर औसत स्कोर 60.27 प्राप्त किया (SkillOpt पर +3.47 सुधार) और GPT-5.2 पर 70.84 प्राप्त किया (+3.78 सुधार)।
एब्लेशन स्टडी (Ablation Study): अनुभव आसवन (experience distillation) को हटाने (सीधे कच्चे डिफ्स का उपयोग करने) से महत्वपूर्ण प्रदर्शन गिरावट हुई, जो अक्सर बेसलाइन से नीचे गिर गई। अनुकूली ध्यान को निश्चित समान भार (fixed equal weights) से बदलने पर भी प्रदर्शन कम रहा, जो दोनों के लिए एब्स्ट्रैक्शन और डायनेमिक वेटिंग की आवश्यकता की पुष्टि करता है।
क्रॉस-मॉडल हस्तांतरणीयता (Cross-Model Transferability): VCE-Skill के साथ विकसित कौशल ने बिना इसके विकसित कौशलों की तुलना में विभिन्न मॉडलों पर लागू होने पर मजबूत हस्तांतरणीयता प्रदर्शित की। जब एक स्रोत मॉडल से लक्षित मॉडलों में स्थानांतरित किया गया, तो VCE-संवर्धित कौशलों ने औसत स्कोर में 5.15 से 6.04 अंक का सुधार दिखाया, जो कि स्रोत मॉडल के अपने मूल्यांकन में देखे गए सुधार से भी अधिक था। यह सुझाव देता है कि डिस्टिल्ड अनुभव मॉडल-विशिष्ट ओवरफिटिंग को कम करता है।

महत्व और दावे

पेपर का दावा है कि सार्वजनिक कौशल संस्करण इतिहास एजेंट कौशल विकास के लिए एक पहले से अनछुए लेकिन प्रभावी पूर्व ज्ञान (prior knowledge) के स्रोत का प्रतिनिधित्व करते हैं। बाहरी वर्शन परिवर्तनों और आंतरिक प्रक्षेपवक्र साक्ष्य के बीच पूरकता को उजागर करके, VCE-Skill प्रक्षेपवधर-संचालित प्रतिमान को आगे बढ़ाता है।

लेखक अपने कार्य को मौजूदा स्व-विकास विधियों के प्रतिस्थापन के रूप में नहीं, बल्कि एक मॉड्यूलर संवर्धन के रूप में प्रस्तुत करते हैं जो किसी भी बेस इवॉल्वर को बाहरी अनुभव का लाभ उठाने की अनुमति देता है। इसका महत्व केवल वर्तमान निष्पादन साक्ष्य पर निर्भर रहने के बजाय, अधिक व्यापक, ऐतिहासिक रूप से आधारित सेट ऑफ इवोल्यूशन प्रायर्स (evolution priors) को शामिल करने की ओर ध्यान केंद्रित करने में निहित है, जिससे अधिक मजबूत, सामान्य और क्रॉस-मॉडल ट्रांसफर करने में सक्षम कौशल का निर्माण होता है।