🤖 AI

Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents

本論文は、異種混合の外部知識を、SkillBankに保存される再利用可能で構造化された手続き的スキルへとコンパイルするフレームワークであるAnything2Skillを提案しており、これにより、宣言的なエビデンスと実行可能なドメイン専門知識を組み合わせることで、エージェントが標準的なRAGアプローチよりも大幅に高い成功率を達成することを可能にしている。

原著者： Qianjun Pan, Yutao Yang, Junsong Li, Jie Zhou, Kai Chen, Xin Li, Qin Chen, Liang He

公開日 2026-06-09

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Qianjun Pan, Yutao Yang, Junsong Li, Jie Zhou, Kai Chen, Xin Li, Qin Chen, Liang He

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、非常に優秀だが経験の浅いアシスタント（AIエージェント）を雇っていると想像してください。そのアシスタントは本を読み、事実を見つけ出す能力には非常に長けています。あなたが複雑な機械を修理するように頼むと、彼らは即座にマニュアルを見つけ出し、部品リストを読み、その機械が何でできているかという「内容」を教えてくれます。これが現在のAIシステムの仕組みであり、RAG（Retrieval-Augmented Generation：検索拡張生成）と呼ばれる手法です。彼らは「宣言的な証拠」、つまり事実や記述を見つけることには長けています。

しかし、ここに問題があります。マニュアルはアシスタントに対して、ドライバーが「何であるか」は教えてくれますが、特定の壊れたギアを直すために、それを「どのように」正しい順序で使用すべきかを必ずしも明確には示していません。アシスタントはマニュアルを読み、手順を推測し、修理を試み、失敗し、再びマニュアルを読み、再び推測するというプロセスを繰り返さなければなりません。これは、まるで料理のレシピやシェフの調理法を一度も見ることなく、食材のリストと説明文だけを読んで、複雑な料理の作り方を学ぼうとしているようなものです。

ANYTHING2SKILLは、この問題を解決するために設計された新しいシステムです。これは**「スキル・コンパイラ（Skill Compiler）」、あるいは「レシピ作成機（Cookbook Creator）」**と考えることができます。

コアとなるアイデア：マニュアルをレシピへと変換する

AIに生の情報をその都度読ませるのではなく、ANYTHING2SKILLはこれらすべての断片的な情報を、**再利用可能な「スキル」へとコンパイル（編纂）**します。

その仕組みを、シンプルな比喩を用いて説明します。

生の材料（知識ベース / Knowledge Base）: 散乱したメモ、古い修理ログ、チャットの書き起こし、公式マニュアルなどが詰まった巨大な図書館を想像してください。現在、AIは何かを行うたびに、この図書館の中から情報を検索しなければなりません。
シェフの下準備（抽出 / Extraction）: ANYTHING2SKILLは、これらすべての散乱したメモを読む熟練のシェフのように振る舞います。単に要約するのではなく、**「手順（プロシージャ）」**を探し出します。「これを実行するための正確なステップは何か？必要なツールは何か？どのようなミスを避けるべきか？」と問いかけるのです。
スキルツリー（構造化 / Organization）: システムは、これらの手順を構造化された「スキルツリー」へと整理します。これは、タスクの家系図のようなものです。
- マクロ・プロトコル（Macro-protocols）: 大局的な戦略（例：「ソフトウェアプロジェクトを管理する方法」）。
- マイクロ・スキル（Micro-skills）: 特定の、極めて小さな動作（例：「ファイルを削除するための特定のコマンドを実行する方法」）。
- 安全規則（Safety Rules）: 警告（例：「Yが起きている間は、決してXを行わないこと」）。
スキルバンク（再利用可能なライブラリ / SkillBank）: 「レシピ」が書き上げられると、それらは恒久的に整理されたスキルバンクに保存されます。これは単なる文書の集まりではありません。**「実行可能な指示」**のデータベースです。各「スキル」には、「もし状況Xが発生したら、ステップA、B、Cを行い、Dは避けるべし」という契約（コントラクト）が付随しています。

これがAIエージェントをどう助けるのか

AIエージェントが新しいタスクに直面したとき、そこには2つの強力な力が共存しています。

力1：司書（RAG）: 特定の事実や最新のアップデート（「何が」あるか）を見つけるために、依然として元のライブラリを検索します。
力2：ベテランのメンター（SkillBank）: スキルバンクから、あらかじめ作成された「スキル」を取り出します。このスキルは、過去に何がうまくいったかに基づいて、タスクをステップ・バイ・ステップで実行する方法（「どのように」行うか）をエージェントに伝えます。

結果:
この論文では、2つの実世界のタスク（CSVデータファイルの管理 [qsv] と、GitHubリポジトリの管理 [GitHub-CLI]）で検証を行いました。

ANYTHING2SKILLなし: AIは、初めてマニュアルを読む賢い学生のようでした。タスクの成功率は約65〜82%でした。
ANYTHING2SKILLあり: AIには「コンパイルされたレシピ」がありました。成功率は約82〜92%に向上しました。
両方を使用した場合: AIは「事実」と「レシピ」の両方を得ました。CSVタスクでは98.85%、GitHubタスクでは**94.10%**の成功率を記録しました。

重要な教訓

この論文は、外部知識を単に「読むべき事実の塊」として扱うべきではないと主張しています。むしろ、それらを**「潜在的な手順」**の源泉として捉え、抽出し、整理し、再利用可能な「スキル」へと変換すべきなのです。

これらの潜在的な手順をスキルバンクへとコンパイルすることで、AIエージェントは単なる「知識へのアクセス（マニュアルを読むこと）」から、「能力の再利用（仕事を完璧にこなす方法を知っていること）」へと進化します。それは、誰かに辞書を与えることと、あらゆる仕事に対して整理された取扱説明書を与えることの違いなのです。

技術要約: ANYTHING2SKILL

問題提起

検索拡張生成（RAG）は、エージェントが推論時に外部知識にアクセスすることを可能にするが、主に断片的な宣言的事実（例：一節、マニュアル、ログ）を検索するにとどまっている。その結果、エージェントは実行時にこれらの断片からタスクの手順を繰り返し再構築しなければならない。この制限は、エージェントの設定において極めて重要である。なぜなら、成功には単なる事実の検索だけでなく、特定のプロシージャ（手順）に従うこと、すなわち、ツールの呼び出しタイミングの決定、正しいアクションシーケンスの実行、制約の遵守、および失敗ケースの回避が求められるからである。既存のスキルベースのエージェントは、手動で指定されたスキル、環境との相互作用を通じて学習されたスキル、あるいはタスク解決中に生成されたコードに依存することが多く、異種混合の外部知識ベースに既に埋め込まれている膨大な潜在的プロシージャ的知識を活用できていない。

メソドロジー

本論文では、異種混合の外部知識を、再利用可能で検索可能かつ実行可能な「スキル」へとコンパイルするための、タクソノミー（分類体系）誘導型フレームワークであるANYTHING2SKILLを提案する。このフレームワークは、抽出、管理、および推論拡張のパイプラインを通じて機能する。

1. スキルツリーの事前知識を用いたスキル抽出

知識レコード $K$ （ドキュメント、対話、ログ、軌跡）のコーパスに対し、システムはレコードを厳格なエビデンス・ウィンドウへと分解する。システムは、**スキルツリーの事前知識（prior）**の下で、**プラン・アンド・エキスパンド（計画と拡張）**型の抽出戦略を採用する。

タクソノミーの事前知識: スキル・タクソノミー $\mathcal{T}$ は、安定したアセットタイプ（例：macro_protocol、session_skill、micro_skill、safety_rule）と階層レベルを定義する。これにより、自由形式の要約ではなく、プロシージャ的な能力への抽出が制約される。
プラン・アンド・エキスパンド: LLMベースのプランナーが、エビデンス・ウィンドウから明確なスキルの候補を特定する。続く拡張ステージでは、これらの候補を構造化されたスキル・ドラフトへと変換する。
プロシージャ的妥当性: 候補は、プロシージャ的構成要素（ワークフローのステップ、アクションの動き、制約）を含み、かつタクソノミーにマッピング可能であることを確認するためにフィルタリングされる。
出力: 抽出されたドラフトは、呼び出し条件、禁止事項、アクションの動き、ワークフローのステップ、制約、出力仕様、裏付けとなるエビデンス、および信頼度スコアを指定する、構造化されたスキル・コントラクトへと変換される。

2. SkillBankにおけるスキル管理

ローカルなドラフトをデプロイ可能なSkillBank ( $\mathcal{B}$ ) へと変形させるため、システムは3つの管理ステップを実行する。

ドキュメントレベルのコンパイル: 重複する能力を記述しているドラフトは、タクソノミを考慮したアイデンティティ・キーによってグループ化される。コンパイラは、アセットタイプとタクソノミのノードを保持しつつ、サポートされたエビデンスのみを引用するように制約された、各グループの標準的なスキル仕様を作成する。
レジストリレベルの照合: 新たなスキルは、ハイブリッド検索（高密度類似性、疎なレキシカル・マッチング、およびタクソノミの互換性）を用いて、永続的なSkillBankと照合される。管理モデルは、**CREATE（作成）、STRENGTHEN（強化）、REVISE（改訂）、MERGE（統合）、SPLIT（分割）、UNCHANGED（変更なし）、DIS省（破棄）**のライフサイクル・アクションを予測する。これにより、バージョニング、競合解決、および不適合なスキルレイヤー（例：セーフティ・ルールをマイクロスキルに統合すること）の混入を防ぐ。
可視化されたスキルツリーの投影: アクティブなスキルは、タクソノミに基づいた可視的な階層構造に整理される。システムは、ナビゲーションの冗長性を減らすために同レベルの集約を行い、ライフサイクル・ステータスとプロベナンス（由来）の網羅性に基づいて主要なスキルを選択する。

3. スキル拡張型検索

推論時、エージェントは二重の検索メカニズムを利用する。

宣言的事実（Declarative Evidence）: 標準的なRAGを介して、元の知識ベース（ $C_q$ ）からタスク固有のパッセージを検索する。
プロシージャ的ガイダンス（Procedural Guidance）: SkillBankから関連するコンパイル済みスキル（ $S_q$ ）を検索する。
エージェントはこれら両方のソースを条件としてタスクを解決する。これにより、RAGが事実的な根拠を提供し、SkillBankが再利用可能なプロシージャ的メモリを提供する。

主な貢献

フレームワークの提案: 異種混合のレコードを構造化されエビデンスに基づいたスキルへとコンパイルすることで、検索拡張エージェントを単純な知識アクセスから、再利用可能な能力獲得へと拡張するANYTHING2SKILLを導入した。
実装パイプライン: エビデンス・ウィンドウの構築、スキルツリーの事前知識下でのプラン・アンド・エキスパンド抽出、構造化されたコントラクト生成、タクソノミを考慮した集約、レジストリレベルの照合、ライフサイクル追跡、およびバージョン管理された更新を含む、完全なスキル・コンパイルおよび管理パイプライン。
実証的検証: コンパイルされたSkillBankをRAGエージェントに拡張することで、コマンドライン・ベンチマークにおいて、RAGのみ、およびスキルのみのベースラインを上回るタスク成功率を大幅に向上させることを示した。

実験結果

本フレームワークは、2つのコマンドライン・エージェント・ベンチマーク、qsv（CSV操作）およびGitHub-CLI（リポジトリ管理）を用いて評価された。

ベースライン: ベース・エージェント（外部コンテキストなし）は、qsvで81.60%、GitHub-CLIで64.70%の成功率を達成した。
RAGのみ: 成功率は、qsvで95.41%、GitHub-CLIで76.50%に向上した。
ANYTHING2SKILLのみ: qsvで91.95%、GitHub-CLIで82.30%を達成し、コンパイルされたスキルがタスク時のドキュメント検索なしでも、再利用可能なプロシージャ的知識を提供できることを示した。
ANYTHING2SKILL + RAG: qsvで98.85%、GitHub-CLIで**94.10%**という最高性能を達成した。

結果は、RAGが必要な宣言的事実を提供する一方で、コンパイルされたスキルは、実行時のプロシージャ再構築の負担を大幅に軽減する補完的なプロシージャ的ガイダンス（呼び出し条件、アクションシーケンス、制約）を提供することを示している。この改善は、複雑なワークフローがより多くの恩恵を受けるGitHub-CLIにおいて特に顕著であった。

意義と主張

本論文は、潜在的なプロシージャ的知識を明示的で再利用可能なスキルへとコンパイルすることは、検索拡張エージェントを拡張するための効果的な手法であると主張している。著者らは、エージェントは外部ドキュメントを単なる宣言的事実として検索するだけでなく、その知識の中に潜在するプロシージャ的能力を整理し、再利用すべきであると述べている。ドキュメント、マニュアル、およびログを永続的なSkillBankへと変換することにより、ANYTHING2SKILLは、エージェントを知識へのアクセスから能力の再利用へと移行させ、検索拡張生成とスキルベースの能力再利用の間の溝を埋めるものである。