🤖 AI

Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents

Het artikel stelt Anything2Skill voor, een framework dat heterogene externe kennis compileert naar herbruikbare, gestructureerde procedurele vaardigheden die worden opgeslagen in een SkillBank, waardoor agenten aanzienlijk hogere succespercentages kunnen behalen dan standaard RAG-benaderingen door declaratieve bewijsvoering te combineren met uitvoerbare domeinexpertise.

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

Gepubliceerd 2026-06-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een briljante maar onervaren assistent hebt (een AI-agent) die erg goed is in het lezen van boeken en het vinden van feiten. Je vraagt de assistent om een complexe machine te repareren en de assistent kan snel de handleiding vinden, de onderdelenlijst lezen en je vertellen waaruit de machine is opgebouwd. Dit is hoe huidige AI-systemen werken, een methode die RAG (Retrieval-Augmented Generation) wordt genoemd. Ze zijn geweldig in het vinden van "declaratieve bewijslast"—feiten en beschrijvingen.

Maar hier is het probleem: de handleiding vertelt de assistent wat een schroevendraaier is, maar het zegt niet altijd duidelijk hoe je hem moet gebruiken om een specifieke kapotte tandwiel te repareren in de juiste volgorde. De assistent moet de handleiding lezen, de stappen raden, het proberen te repareren, falen, de handleiding opnieuw lezen en weer opnieuw raden. Het is alsof je probeert te leren hoe je een complex gerecht kookt door alleen een boodschappenlijst en een beschrijving van de ingrediënten te lezen, zonder ooit een recept of een kok te zien die het bereidt.

ANYTHING2SKILL is een nieuw systeem dat dit probleem probeert op te lossen. Denk aan dit systeem als een "Skill Compiler" of een "Cookbook Creator".

Het kernidee: Handleidingen omzetten in recepten

In plaats van de AI telkens de ruwe handleidingen, logs en documenten te laten lezen wanneer hij voor een taak staat, neemt ANYTHING2SKILL al die rommelige informatie en compileert het tot herbruikbare "skills" (vaardigheden).

Zo werkt het, met behulp van een eenvoudige analogie:

De rauwe ingrediënten (de kennisbank): Stel je een enorme bibliotheek voor vol verspreide aantekeningen, oude reparatielogs, chattranscripten en officiële handleidingen. Op dit moment moet een AI elke keer dat hij iets moet doen, door deze bibliotheek zoeken.
De voorbereiding door de chef (de extractie): ANYTHING2SKILL werkt als een meesterchef die al die verspreide aantekeningen leest. Het vat ze niet alleen samen; het zoekt naar procedures. Het vraagt: "Wat zijn de exacte stappen om dit te doen? Welke gereedschappen zijn nodig? Welke fouten moeten worden vermeden?"
De Skill Tree (de organisatie): Het systeem organiseert deze procedures in een gestructureerde "Skill Tree". Het is als een stamboom voor taken.
- Macro-protocollen: Grote strategieën (bijv. "Hoe beheer je een softwareproject").
- Micro-skills: Specifieke, kleine acties (bijv. "Hoe voer je dit specifieke commando uit om een bestand te verwijderen").
- Veiligheidsregels: Waarschuwingen (bijv. "Doe nooit X als Y aan de hand is").
De SkillBank (de herbruikbare bibliotheek): Zodra de "recepten" zijn geschreven, worden ze opgeslagen in een permanente, georganiseerde SkillBank. Dit is niet zomaar een stapel documenten; het is een database van uitvoerbare instructies. Elke "skill" heeft een contract dat zegt: "Als je situatie X ziet, doe dan stappen A, B en C, maar vermijd D."

Hoe het de AI-agent helpt

Wanneer de AI-agent voor een nieuwe taak staat, heeft hij nu twee superkrachten die samenwerken:

Kracht 1: De bibliothecaris (RAG): Hij doorzoekt nog steeds de originele bibliotheek om specifieke feiten of de nieuwste updates te vinden (het "wat").
Kracht 2: De ervaren mentor (SkillBank): Hij haalt een vooraf gemaakte "skill" uit de SkillBank. Deze skill vertelt de agent precies hoe hij de taak moet uitvoeren, stap voor stap, gebaseerd op wat eerder werkte.

Het resultaat:
Het onderzoek heeft dit getest op twee real-world taken: het beheren van CSV-databestanden (qsv) en het beheren van GitHub-repositories (GitHub-CLI).

Zonder ANYTHING2SKILL: De AI was als een slimme student die voor het eerst een handleiding leest. Hij voerde ongeveer 65–82% van de taken correct uit.
Met ANYTHING2SKILL: De AI had de "gecompileerde recepten". Hij voerde ongeveer 82–92% van de taken correct uit.
Met BEIDE: De AI had zowel de feiten als de recepten. Hij voerde 98,85% van de CSV-taken en 94,10% van de GitHub-taken correct uit.

De belangrijkste conclusie

Het paper beweert dat we externe kennis niet alleen moeten behandelen als een verzameling feiten om te lezen. We moeten het behandelen als een bron van verborgen procedures die geëxtraheerd, georganiseerd en omgezet kunnen worden in herbruikbare "skills".

Door deze latente procedures te compileren in een SkillBank, bewegen we AI-agents van simpelweg "toegang hebben tot kennis" (het lezen van de handleiding) naar "het hergebruiken van capaciteiten" (precies weten hoe je de baan moet uitvoeren). Het is het verschil tussen iemand een woordenboek geven en iemand een goed georganiseerde instructiehandleiding geven voor elke mogelijke baan die hij moet doen.

Technische Samenvatting: ANYTHING2SKILL

Probleemstelling

Retrieval-Augmented Generation (RAG) stelt agenten in staat om tijdens de inferentie toegang te krijgen tot externe kennis, maar het haalt primair gefragmenteerde declaratieve bewijslast op (bijv. passages, handleidingen, logs). Als gevolg hiervan moeten agenten tijdens runtime herhaaldelijk taakprocedures reconstrueren uit deze fragmenten. Deze beperking is kritiek in agentische omgevingen waar succes niet alleen afhangt van het ophalen van feiten, maar ook van het volgen van specifieke procedures: bepalen wanneer tools worden aangeroepen, het uitvoeren van correcte actievolgordes, het voldoen aan restricties en het vermijden van foutgevallen. Bestaande vaardigheidsgebaseerde agenten vertrouwen vaak op handmatig gespecificeerde vaardigheden, vaardigheden die zijn geleerd door interactie met de omgeving, of code die tijdens het oplossen van taken wordt gegenereerd, waarbij ze er niet in slagen de enorme hoeveelheid latente procedurele kennis te benutten die al besloten ligt in heterogene externe kennisbanken.

Methodologie

Het artikel stelt ANYTHING2SKILL voor, een taxonomiestgestuurd framework dat is ontworpen om heterogene externe kennis te compileren tot herbruikbare, ophaalbare en uitvoerbare vaardigheden (skills). Het framework werkt via een pipeline van extractie, beheer en inferentie-augmentatie.

1. Skill-extractie met Skill-Tree Prior

Gegeven een corpus van kennisrecords $K$ (documenten, dialogen, logs, trajecten), deelt het systeem records op in strikte bewijsvensters (evidence windows). Het maakt gebruik van een plan-and-expand extractiestrategie onder een skill-tree prior:

Taxonomy Prior: Een skill-taxonomie $\mathcal{T}$ definieert stabiele asset-typen (bijv. macro_protocol, session_skill, micro_skill, safety_rule) en hiërarchie-niveaus. Dit stuurt de extractie richting procedurele capaciteiten in plaats van vrije tekstsamenvattingen.
Plan-and-Expand: Een LLM-gebaseerde planner identificeert eerst onderscheidende skill-kandidaten uit de bewijsvensters. Een daaropvolgende expansiefase zet deze kandidaten om in gestructureerde skill-concepten (skill drafts).
Procedurele Validiteit: Kandidaten worden gefilterd om te garanderen dat ze procedurele componenten bevatten (workflowstappen, actiemoves, restricties) en gemapt kunnen worden naar de taxonomie.
Output: Geëxtraheerde concepten worden omgezet in gestructureerde skill-contracten die oproepingscondities, contra-indicaties, actiemoves, workflowstappen, restricties, outputspecificaties, ondersteunend bewijs en betrouwbaarheidsscores specificeren.

2. Skill-beheer in de SkillBank

Om lokale concepten te transformeren tot een inzetbare SkillBank ( $\mathcal{B}$ ), voert het systeem drie beheerstappen uit:

Document-niveau Compilatie: Concepten die overlappende capaciteiten beschrijven, worden gegroepeerd op basis van een taxonomie-bewuste identiteits sleutel. Een compiler produceert een canonieke skill-specificatie voor elke groep, beperkt tot het behoud van asset-typen en taxonomie-nodes, terwijl uitsluitend ondersteund bewijs wordt geciteerd.
Registry-niveau Reconciliatie: Inkomende skills worden gereconcilieerd met de persistente SkillBank met behulp van hybride retrieval (dense similarity, sparse lexical matching en taxonomie-compatibiliteit). Een managementmodel voorspelt lifecycle-acties: CREATE, STRENGTHEN, REVISE, MERGE, SPLIT, UNCHANGED, of DISCARD. Dit zorgt voor versiering (versioning), conflictresolutie en voorkomt het samenvoegen van incompatibele skill-lagen (bijv. het samenvoegen van een veiligheidsregel in een micro-skill).
Zichtbare Skill-Tree Projectie: Actieve skills worden georganiseerd in een zichtbare hiërarchie op basis van de taxonomie. Het systeem voert consolidatie op hetzelfde niveau uit om navigatieredundantie te verminderen, waarbij primaire skills worden geselecteerd op basis van lifecycle-status en provenance-dekking.

3. Skill-geaugmenteerde Retrieval

Tijdens de inferentie maakt de agent gebruik van een dubbel retrieval-mechanisme:

Declaratieve Bewijslast: Haalt taakspecifieke passages op uit de oorspronkelijke kennisbank ( $C_q$ ) via standaard RAG.
Procedurele Begeleiding: Haalt relevante gecompileerde skills op uit de SkillBank ( $S_q$ ).
De agent lost de taak op, geconditioneerd op beide bronnen, waardoor RAG zorgt voor feitelijke gronding terwijl de SkillBank zorgt voor herbruikbaar procedureel geheugen.

Belangrijkste Bijdragen

Framework Voorstel: Introductie van ANYTHING2SKILL, dat retrieval-augmented agents uitbreidt van eenvoudige toegang tot kennis naar de verwerving van herbruikbare capaciteiten door heterogene records te compileren tot gestructureerde, op bewijs gebaseerde skills.
Implementatie-pipeline: Een volledige pipeline voor skill-compilatie en beheer, inclusief constructie van bewijsvensters, plan-and-expand extractie onder een skill-tree prior, gestructureerde contractgeneratie, taxonomie-bewuste consolidatie, registry-niveau reconciliatie, lifecycle-tracking en versie-gebaseerde updates.
Empirische Validatie: Demonstratie dat het augmenteren van RAG-agenten met een gecompileerde SkillBank het succes op command-line benchmarks aanzienlijk verbetert, waarbij het presteert beter dan RAG-alleen en skill-alleen baselines.

Experimentele Resultaten

Het framework werd geëvalueerd op twee command-line agent benchmarks: qsv (CSV-operaties) en GitHub-CLI (repositorybeheer).

Baselines: Een Base Agent (geen externe context) behaalde 81,60% (qsv) en 64,70% (GitHub-CLI) succes.
RAG Alleen: Verbeterde het succes naar 95,41% (qsv) en 76,50% (GitHub-CLI).
ANYTHING2SKILL Alleen: Behaalde 91,95% (qsv) en 82,30% (GitHub-CLI), wat aantoont dat gecompileerde skills bruikbare procedurele kennis bieden zelfs zonder taak-specifieke document-retrieval.
ANYTHING2SKILL + RAG: Behaalde de hoogste prestaties met 98,85% op qsv en 94,10% op GitHub-CLI.

De resultaten geven aan dat hoewel RAG noodzakelijke declaratieve feiten levert, gecompileerde skills complementaire procedurele begeleiding bieden (oproepingscondities, actievolgordes, restricties) die de last van het reconstrueren van procedures tijdens runtime aanzienlijk vermindert. De verbetering was bijzonder uitgesproken op GitHub-CLI, waar complexe workflows meer profiteren van vooraf gecompileerde procedurele structuren.

Betekenis en Claims

Het artikel claimt dat het compileren van latente procedurele kennis naar expliciete, herbruikbare skills een effectieve methode is om retrieval-augmented agents uit te breiden. De auteurs stellen dat agenten niet enkel externe documenten moeten ophalen als declaratieve bewijslast, maar ook de procedurele capaciteiten die latent in die kennis aanwezig zijn, moeten organiseren en hergebruiken. Door documenten, handleidingen en logs te transformeren tot een persistente SkillBank, stelt ANYTHING2SKILL agenten in staat om te bewegen van kennistoegang naar capaciteitshergebruik, waarmee de kloof tussen retrieval-augmented generation en skill-gebaseerd capaciteitshergebruik wordt overbrugd.