技術サマリー: SkillDAG

1. 問題提起

大規模言語モデル（LLM）エージェントが広範な外部スキルライブラリを採用するにつれ、ボトルネックはスキルの作成からスキルの選択へと移行している。ライブラリが数千のエントリ規模に拡大すると、従来の検索手法ではスキルの複雑な構造的関係を捉えることができなくなる。

• フラットな検索の限界: 標準的なアプローチ（例：トップ-$K$ コサイン類似度やBM25）は、スキルを独立したベクトルとして扱う。これにより、構造的に必要な前提条件が欠落したり、冗長または干渉するスキルが選択されたり、相乗効果のあるペアが見逃されたりするという「サイレント・フェイラー（静かな失敗）」を招く。
• 静的なグラフの限界: 先行研究である Graph of Skills (GoS) は、スキル間の関係性をモデル化しているが、固定されたオフラインの検索パイプライン（例：パーソナライズド・ページランク）に依存している。その結果、得られるスキルのバンドルはエージェントにとって不透明なものとなる。すなわち、LLMはグラフ構造に対してクエリを投げたり、なぜそのスキルが選ばれたのかを推論したり、ノイズの多い検索結果を撤回したり、実行中に発見された新しい関係を記録したりすることができない。

核心となる問題は、現在のシステムがライブラリの相関構造をエージェントから隠してしまっており、推論中のエージェントによる情報に基づいた構造的な意思決定を妨げていることにある。

2. メソドロジー: SkillDAG

SkillDAGは、根本的な逆転の発想を提案する。グラフを固定されたランキングアルゴリズムの中に埋め込むのではなく、**型付きスキル関係グラフ（typed skill relation graph）**を、エージェントが呼び出し可能な構造的検索インターフェースとして公開する。グラフは、実行中にLLMによってクエリされ、検査され、進化させられる。

2.1. 型付きスキル関係グラフ

スキルライブラリは、エッジに5つの運用タイプが割り当てられた有向グラフ $G = (V, E, \tau)$ としてモデル化される：

1. depends_on: スキル $A$ が前提条件 $B$ を必要とする。
2. specializes: スキル $D$ は、$A$ のより狭義で好ましいバリアントである。
3. composes_with: スキル $A$ と $B$ は相乗的な共同利用が可能である。
4. similar_to: 機能的な冗長性。エージェントは両方ではなく、一方を選択すべきである。
5. conflicts_with: スキル $A$ と $B$ は同時選択すべきではない（プルーニング信号）。

重要な設計上の選択: conflicts_with は、エージェントが明示的に回避すべき方向へナビゲートすることを防ぐため、トラバーサル（探索）エッジではなく、プルーニング（枝刈り）信号として扱われる。バックボーン（depends_on, specializes）は、非巡回（acyclic）であるよう制約される。

2.2. エージェント呼び出し可能インターフェース

エージェントは、単一のランク付けされたバンドルではなく、3つの異なるエビデンス・チャネルを返す search 関数を介してグラフと対話する：

• Matches (一致): クエリ・ノードの埋め込み類似度に基づくトップ-$K$ のスキル。
• Neighbors (隣接): 4つの「ポジティブ」なエッジタイプ（depends_on, specializes, composes_with, similar_to）に沿った、限定的なBFS探索（深さ $D$）によって到達されるスキル。
• Conflicts (競合): 一致したスキルに付随する、1ホップの conflicts_with エッジ。

この分解により、エージェントは厳しいコンテキスト予算の下で特定のフィールドを切り捨てたり、動的に検索をスケジューリングしたり、選択・除外の決定に関する推論トレースを維持したりすることが可能になる。

2.3. コールドスタート構築

エージェント実行前にグラフを初期化するために、単一ビューの類似性では見逃されるクロスファンクショナルなペアを復元する2ビュー埋め込み戦略が採用される：

1. $e_{self}$: スキルの識別子、説明、および本体（それが何をするか）を埋め込む。
2. $e_{needs}$: LLMが、想定される呼び出しタスクに基づいて、そのスキルが何を必要とするか（前提条件）のHyDEスタイルの要約を生成し、それを埋め込む。

いずれかのランキングが適応閾値を超えた場合に候補ペアが形成され、その後、LLMによるペア分類器によってエッジタイプが割り当てられる。conflicts_with は、実行時のエビデンスを必要とするため、この静的なフェーズからは除外される。

2.4. オンライングラフ進化

SkillDAGは、オンラインでのグラフ更新のためにプロポーズ・アンド・コミット（提案と確定）プロトコルを導入する：

1. propose-edge: エージェントが潜在的なエッジ変更のプレビューを行い、そのスキル・ペアに関する既存の履歴を確認するドライラン。
2. edit-edge: エージェントが自然言語による理由と実行トレースを伴って、変更を確定させる。

構造的不変性: 一貫性を保つため、すべてのコミットは以下の3つのチェックを通過しなければならない：

• 非巡回性 (Acyclicity): depends_on/specializes バックボーンにおけるサイクルを防ぐ。
• 非矛盾性 (Non-contradiction): ペアが、ポジティブなエッジ（例：depends_on）と conflicts_with エッジの両方を同時に持つことを防ぐ。
• 可逆性 (Reversibility): 追加型の履歴ログにより、誤った編集のロールバックが可能になる。

3. 主な貢献

1. 構造的失敗モードの特定: 本論文は、フラットな検索が構造的に必要なスキルを静かに欠落させ、冗長なものを連結してしまうという、単純な類似度マッチングだけでは不可視な失敗を特定している。
2. エージェント呼び出し可能インターフェース: SkillDAGは、型付き関係グラフを search/show/propose-edge/edit-edge を通じて公開し、固定されたランキングポリシーを、エージェントが直接推論できる構造的エビデンスに置き換える。
3. オンライン進化プロトコル: 厳格な構造的不変性の下で、エージェントが実行時のエビデンスからグラフを成長させるメカニズム、およびクロスファンクショナルなペアを復元するための2ビュー・コールドスタート構築器を組み合わせる。
4. 実証的検証: 異なるモデルバックボーンにおいて、ALFWorldおよびSkillsBenchでの性能向上を実証した。

4. 実験結果

実験は、MiniMax-M2.7 および gpt-5.2-codex を用い、ALFWorld（テキストベースの身体化環境）および SkillsBench（コンテナ化されたコード生成タスク）に対して行われた。

• 性能向上 (MiniMax-M2.7):
  • ALFWorld: 成功率が 54.3% (GoSベースライン) から 67.1% (+12.8ポイント) に上昇。
  • SkillsBench: リワードが 18.7% から 27.3% (+8.6ポイント) に上昇。
  • 固有の検索精度: SkillsBenchにおける Ret@K は 65.5% から 78.2% に上昇しており、実行前の検索パイプライン自体がより正確であることを示している。
• 性能向上 (gpt-5.2-codex):
  • SkillDAGは、ALFWorldにおいてGoSベースライン (93.6%) と同等の性能を示し、SkillsBenchでは改善 (34.4% $\to$ 36.8%) を示した。
  • 本論文では、「ルーティング補助」としてのシグネチャは、バックボーンモデルが不適切なバンドルを乗り越えて推論できない場合に最大となり、バックボントが不透明なバンドルを処理できるほど強力になると消失することが指摘されている。
• スケーラビリティ: SkillDAGの検索品質は、スキルプールが 10倍（200から2000スキル）に拡大しても安定（Ret@K $\approx$ 78.2%）していたが、GoSベースラインは著しく低下した。
• 編集の永続性: トレーニング中にコミットされたオンライン編集は、保持されたテストエピソードに効果的に転移し、編集されたグラフは、以前のヒットを排除することなく、クエリに対してより多くの正解スキルを検索した（集合単調性）。

5. 意義と主張

本論文は、グラフ構造は、不透明なポリシーとしてではなく、ルーティング決定のためのインターフェースとして機能する場合に最も効果的であるという仮説を、SkillDAGが検証したことを主張している。

• 設計の逆転: グラフを固定されたリトリーバーの基質ではなく、エージェント呼び出し可能なインターフェースにすることで、構造的エビデンスが実行にどのように影響するかをLLMが決定できるようにしている。
• 堅牢性: このアプローチは、検索パイプラインの利点を分離しており、ライブラリが拡大するにつれて、型付きグラフによる検索が拡散ベースのランキング（PPR）よりも優れていることを示している。これは、エージェントの実行によって壊れた検索システムを修正することに依存していない。
• 自己進化: システムは、実行時のエビデンスに基づいた精密かつ監査可能な構造更新を可能にし、人間によるキュレーションなしに、エピソードを通じて知識を蓄積することを可能にする。

著者らは、単一観測による自己進化の長期的な挙動に関する限界を認めている。集団的な編集の効果はポジティブであるが、このような進化の極めて長いタイムラインにおける安定性は、今後の課題として残されている。