Фреймворк W2S автоматизирует создание навыков для LLM-агентов, улучшив качество на 10,5%

Большие языковые модели (LLM) все чаще используют навыки (Skills) для кодирования процедурных знаний, однако создание качественных навыков вручную остается дорогостоящим. Исследователи из международной команды предложили новый подход — фреймворк W2S, который автоматически строит навыки на основе гетерогенных данных взаимодействий: демонстраций, агентных траекторий, инструментальных трейсов и логов выполнения.

Ключевая идея — промежуточное представление RWSA, которое разбивает навык на структуру рабочего процесса, семантику выполнения и прикрепленные артефакты (Attachments). Это позволяет отлавливать такие аспекты, как декомпозиция задач, управление потоком, верификация, безопасность, откат и управление состоянием.

Сам фреймворк W2S состоит из нескольких этапов: сегментация трейсов, индукция локальных черновиков навыков, выравнивание общих структур, согласование ветвлений и сжатие избыточности. Важно, что при сжатии сохраняются доказательства и аннотации уверенности, что делает навыки более надежными.

Эксперименты проводились на 70 навыках в различных средах. W2S показал улучшение поведенческой согласованности (behavioral replay consistency) на 10,5% по сравнению с методами, основанными на суммаризации и промптах. Это подтверждает, что трейсы следует трактовать не как сжимаемый текст, а как исполняемые спецификации времени выполнения.

Работа опубликована на arXiv и предлагает практический способ масштабировать создание навыков для LLM-агентов без участия человека. Исследователи полагают, что RWSA и W2S могут лечь в основу будущих систем автоматической сборки агентных знаний.