技術要約：動的なエージェント・スキル：進化するスキル・ライブラリのライフサイクル調査と分類学

問題提起

大規模言語モデル（LLM）エージェントは、チャットベースの支援から、ウェブブラウジング、ソフトウェアエンジニアリング、およびドメイン固有のタスクを伴うオペレーショナルなワークフローへと移行しつつある。これらの設定における主要なボトルネックは、単一のタスクについて推論するモデルの能力ではなく、繰り返されるタスク、ツール、およびユーザーに対して手続き的知識を再利用する能力である。初期のシステムでは「スキル」を静的なプロンプトの断片や固定されたツールの集合として扱っていたが、近年の文献（2023年〜2026年）は、動的なスキル・ライブラリ、すなわちエージェントが証拠を蓄積するにつれて進化する外部の編集可能なアーティファクト・ストアへと焦点を移している。

現在、この分野は共通の語彙と評価基準の欠如に苦しんでいる。「スキル」という用語は、実行可能なコード、自然言語（NL）によるヒューリスティック、パラメトリックなアダプターに至るまで、構造的に異なるアーティファクトを指すものとして過負荷状態にある。さらに、ほとんどのベンチマークは最終的なタスクの成功のみを報告しており、スキル・インフレーション、ライブラリの成長に伴う検索性能の低下、およびスキルの使用と実際の有用性の間のギャップといった、クリティカルなライフサイクル現象を覆い隠している。本論文は、スキル・ライブラリを静的なリポジトリとしてではなく、証拠に基づいた更新を通じてアーティファクト・ストア自体が変化する（$L_t \to L_{t+1}$）学習システムとして扱う必要性に対処するものである。

メソドロジー

著者らは、2023年から2026年5月31日までに発表された124報の論文の系統的な監査を実施した。コーパスには、手法に関する論文、ベンチマーク、インフラストラクチャ研究、および安全性分析が含まれる。レビュー・プロトコルでは、古典的なオプション発見や一般的なツール使用に関する論文は、外部から呼び出し可能なスキル・アーティファクトを生成しない場合、またはそのライフサイクルを評価していない場合は除外した。

本調査は、主に3つの分析ツールを中心に構成されている：

1. 6つの感覚による分類学： 「スキル」の構造的な形態を区別する（表1）。
2. ライフサイクル・アーキテクチャ： 動的なシステムがアーティファクトを管理する方法を示す8段階のフレームワーク。
3. 軽量な記法： ライブラリの更新を標準化するためのスキル・レコード・スキーマと10個のオペレーター語彙。

「スキル」の6つの感覚

本論文は、5つの動的特性（実行可能性、編集可能性、移植性、検査可能性、および検証ハンドル）に基づき、スキルを6つの異なる感覚に分類している：

• 実行可能なコード： プログラムまたはコントラクト（例：Voyager, LATM, SAGE）。
• NLヒューリスティック： 手続き的な教訓または批判（例：ERL, RetroAgent）。
• SKILL.md パッケージ： メタデータ、指示、およびコードを含む漸進的な開示ディレクトリ（例：MetaClaw, Trace2Skill）。
• パラメトリック・スキル： 重みの差分またはアダプター（例：SkillsCrafter, SKILL0）。
• メモリ／トラジェクトリ： 呼び出し可能なインターフェースを持つエピソード的な痕跡（例：SimpleMem）。
• ケイパビリティ・ラベル： 宣言的なロール（境界事例）。

ライフサイクル・アーキテクチャ

本論文は、8つの循環ステージからなる動的スキル・システムの参照アーキテクチャを提案している：

1. 証拠獲得（Evidence Acquisition）： トラジェクトリ、報酬、または失敗の痕跡の収集。
2. 提案（Proposal）： 証拠を候補となるアーティファクトまたは編集へと変換。
3. 検証と受理（Verification & Admission）： 候補がライブラリに入るかどうかを決定する（クリティカルな選択メカニズム）。
4. 組織化と格納（Organization & Storage）： アーティファクトをフラットなインデックス、階層、またはグラフに割り当て。
5. 検索と構成（Retrieval & Composition）： 将来のアクションのためにスキルを選択。
6. 保守と修復（Maintenance & Repair）： 低下を防ぐためのアーティファクトの削減、統合、または洗練。
7. 蒸留と移植性（Distillation & Portability）： 外部アーティファクトとモデルの重みの間での知識の移動。
8. ガバナンスとプロベナンス（Governance & Provenance）： 系譜、作成者、およびロールバック機能の監査。

記法とオペレーター

著者らは、スキル・レコード・スキーマ $S_t = \langle C_t, \pi_t, T_t, R_t, \phi_t, \nu_t, \prec_t \rangle$ を導入している。ここで、$\phi_t$ は編集オペレーター、$\nu_t$ は検証ハンドル、$\prec_t$ は系譜関係を表す。ライブラリの遷移は、10個の要素からなる語彙から抽出されたオペレーターのベクトル $\vec{u}_t$ によって定義される：追加（Add）、洗練（Refine）、統合（Merge）、分割（Split）、削減（Prune）、蒸留（Distill）、抽象化（Abstract）、構成（Compose）、書き換え（Rewrite）、および再ランク付け（Rerank）。

主な貢献

1. 概念の明確化： 6つの感覚による分類学は、多様な「スキル」の実装をその構造的特性と動的能力にマッピングすることで曖昧さを解消する。
2. ライフサイクル・フレームワーク： 動的なスキルを「編集可能な学習システム・アーティファクト」として再定義し、どのライフサイクル・ステージを実装しているかによって異なるシステムを比較するための統一されたアーキテクチャを提供する。
3. 標準化された語彙： 10個のオペレーター語彙により、特定のメソッドを独立した貢献として持ち上げることなく、更新メカニズムを精密に比較することが可能になる。
4. 証拠に基づいたパターン： 本調査は、制御されたアブレーションからアーキテクチャの裏付けに至る、様々なレベルの証拠に支えられた7つの反復パターンを合成している。
5. 安全性とガバナンスの分析： 動的なスキル・ストアに特有の8つの安全性サーフェスを特定し、安全性を事後的なフィルタリングではなく、一つのライフサイクル・ステージとして扱っている。

主な知見と証拠に基づいたパターン

本調査は、証拠の強さ（A–D）によって等級付けされた7つのパターンを抽出している：

1. 受理ゲートの重要性（グレード A/B）： 検証（実行テスト、Judge-LLMのルーブリックなど）を通過した精選されたスキルは、検証されていない自己生成スキルを大幅に上回る。あらゆる提案を受理するライブラリは、冗長性とドリフトに苦しむ。
2. RLにおける検証器の質（グレード B）： スキルを考慮した強化学習（RL）において、検証器または報酬形成シグナルの質は、RLアルゴリズム自体よりも決定的な要因となることが多い。
3. フラットな検索における劣化（グレード B/C）： フラットな検索性能は、中程度のライブラリ・サイズ（およそ64〜128個のスキル）において、シグナル対ノイズの崩壊により急激に低下する。階層型またはグラフベースのストレージはこれを緩和するが、排除はできない。
4. 弱体なバックボーンの利得（グレード C）： 弱いベースモデルの方が、強いモデルよりも動的なスキルによる相対的な利得が大きくなる傾向があるが、これはライブラリの内容とルーティングの信頼性に依存する。
5. 特化したライブラリ（グレード B/C）： 特定のタスク分布に精選されたライブラリは、包括的なライブラリよりも優れた性能を示すことが多い。これは、特化したライブラリがディストラクター（妨害要素）の負荷を軽減するためである。
6. 保守は不可欠な要素（グレード B）： 中規模から大規模のスケールにおいて、負のオペレーター（削減、統合）を持つシステムは、単調増加型のシステムよりも優れた性能を示す。保守コストは時間の経過とともに償却されるが、短期間では正当化されない場合もある。
7. 書き込み時の抽象化（グレード B/C）： スキルの作成時（書き込み時）に行われる抽象化と蒸留は、一般に、読み取り時の要約のみを行う場合よりも強力なパフォーマンスをもたらす。

安全性とガバナンス

本論文は、動的なスキルが「ソフトウェア・サプライチェーン」の問題を導入することを強調している。主な安全性サーフェスは以下の通りである：

• プロンプト・インジェクション： スキルのドキュメントやコードに埋め込まれた悪意のある指示。
• サプライチェーン・ポイズニング： 公開レジストリにおける脆弱性（ある研究では、スキルの26.1%に脆弱性が含まれていた）。
• 資格情報の漏洩： テキスト、コード、および標準出力（stdout）の相互作用を通じて露出する機密情報。
• 属性の喪失： マージや分割の後、どのアーティファクトが決定に寄与したかを追跡できないこと。
  著者らは、防御可能なデプロイメントには、受理時のスキャナー、リクエスト条件付きの呼び出し監査、およびオペレーター単位のプロベナンス・ログのようなプリミティブが必要であると主張している。

意義と限界

意義：
本論文は、スキル・ライブラリを静的なプロンプトの集合ではなく、進化する学習オブジェクトとして扱うための最初の統一フレームワークを提供すると主張している。共通の言語（分類学、オペレーター、ライフサイクル・ステージ）を確立することで、異種混合のシステム比較を可能にし、特に保守、安全性、およびベンチマークのリアリズムに関する現在の研究の具体的なギャップを特定している。また、分野は「スキルの使用」指標から「スキルの有用性」および「ライブラリの軌跡」指標へと移行しなければならないと論じている。

限界：
著者らは、いくつかの限界を明示的に述べている：

• 非網羅的なコーパス： 本調査はスノーボール法とarXivの検索に依存しており、未発表のシステムや英語以外の論文が見落とされている可能性がある。
• 異質な証拠： 比較はアーキテクチャ的なものであり、因果的なものではない。バックボーン、コンテキスト、およびエバリュエーターが異なるため、プールされた効果量は算出不可能である。
• 未解決のスケーリング： 階層構造やグラフは検索の劣化を遅らせるが、本論文はマーケットプレイス規模（10,000個以上のスキル）へのスケーリングを解決したとは主張していない。
• 控えめな主張： 本調査は新しいアルゴリズムや「最良の」検証器を提案するものではなく、むしろ既存のデザインパターンを整理して将来の研究を導くことを目的としている。

未解決の問題

本論文は、以下の8つの未解決の問題で締めくくられている：

1. コード・スキルのための構成的（Compositional）な検証器。
2. 非定常なタスク分布下での受理メカニズム。
3. コストモデルから導出される原則的な保守スケジュール。
4. 繰り返される蒸留によるパラメトリックな崩壊の防止。
5. 中規模のライブラリ・サイズを超えた検索のスケーリング。
6. クロス・ライブラリ間のスキルの移植性と互換性のモデリング。
7. 統合されたガバナンス、プロベナンス、および属性システム。
8. ライブラリの軌跡と「使用 vs 有用性」のギャップを正直に報告するベンチマーク。

著者らは、将来の進歩には、孤立したアルゴリズムの改善ではなく、インフラストラクチャ、ガバナンス、および軌跡を意識したベンチマークに関するコミュニティの調整が必要であると強調している。