에이전틱(Agentic) 시스템은 프롬프트, 루브릭, 계획, 도구 계약, 예시, 검증기, 트레이스 등의 스킬을 편집함으로써 점점 더 스스로를 개선하고 있다. 스킬 편집은 벡터 공간의 독립적인 좌표가 아니라, 롤아웃, 검증, 비평 이후에만 효과를 관찰할 수 있는 구조화된 아티팩트에 대한 국소적 수정이다. 서로 다른 편집이 라우팅 컨텍스트, 템플릿 상태, 가드레일 범위, 또는 향후 합성 가능성에서 차이가 있으면서도 동일한 즉각적인 가시 효과를 가질 수 있다. 편집의 순서 역시 중요할 수 있다: 스키마를 정규화 규칙보다 먼저 수정하는 것은 동일한 편집을 역순으로 적용하는 것과 반드시 동등하지는 않다. 이 논문은 리 대수로이드 스킬 최적화(Lie Algebroid SKill Optimization)를 의미하는 LASKO라는 새로운 스킬 최적화 프레임워크를 소개한다. LASKO는 타입이 지정되고 앵커된 Markdown 스킬을 기반 카테고리로, 사용 가능한 편집 정책을 앵커 $ρ$를 가진 제어된 리 대수로이드의 섹션으로 모델링한다. 앵커는 편집 정책을 가시적인 Markdown 효과에 매핑하고, 커널 $\ker(ρ)$는 잠재적인 템플릿, 라우팅 또는 구현 구조를 나타내며, 대수로이드 브래킷은 비가환적 편집 합성을 측정한다. 논문에서 보여주듯이, LASKO는 예비 벤치마크 결과에서 스킬 최적화의 수십 배 속도 향상을 달성하는데, 이는 주로 대규모 언어 모델(LLM)을 실행해야 하는 비용이 큰 검증에 투자하기 전에 마이크로초 단위로 실행되는 저렴한 리 브래킷 스크리닝 테스트로 대체하기 때문이다. 자연어에서의 인과 추출 태스크에서, LASKO는 671B 파라미터를 가진 DeepSeek V3.1 4-bit 모델을 통해 모든 편집을 검증하는 브루트포스 방식 대비 거의 $15\times$의 속도 향상을 달성했다.
외부 스킬은 모델 가중치를 변경하지 않고도 행동 지향 LLM 에이전트를 개선할 수 있지만, 희소하거나 노이즈가 많은 궤적(trajectory)에서 지식 증류(distillation)된 경우 지속적인 스킬 업데이트는 위험할 수 있다. 그럴듯한 반성(reflection)은 유용한 절차, 허위의 지름길, 또는 대상 실행자(executor)가 신뢰성 있게 따를 수 없는 규칙을 인코딩할 수 있다. 우리는 가설 기반 스킬 최적화(Hypothesis-Driven Skill Optimization, HDSO)를 제안한다. HDSO는 스킬 큐레이터(skill curator)와 에이전트 실행자 모두가 고정된 추론 엔드포인트인 학습 없는(train-free) 프레임워크이다. 큐레이터는 실행자 추적(trace)을 관찰하고, 명시적인 검증 계획과 함께 반증 가능한 가설을 제안하며, 가설을 후보 스킬 패키지로 구체화하고, 대조/처치(control/treatment) 실행 쌍을 통해 패키지를 검증하며, 행동 차이를 검토하고, 뒷받침된 후보만 승인된 저장소에 통합한다. 실행자는 점진적 공개(progressive disclosure)를 통해 승인된 스킬을 사용하며, 스킬이 선택되지 않은 경우 실행자 전용 경로를 유지한다. ALFWorld에서 HDSO는 Qwen3-8B에 대해 실행자 전용 기준선(baseline) 대비 평균 SR(Avg. SR) +6.9 포인트, Qwen3.6-27B에 대해 +4.0 포인트를 개선한다. 스킬 발견 및 검증 중 20%의 성공/실패 피드백이 무작위로 뒤집힌 조건에서도, HDSO는 Qwen3-8B에 대해 +7.1 포인트 이득을 유지한다. 전이(transfer) 및 이질적 쌍(heterogeneous-pair) 진단은 검증된 저장소가 이를 생성한 실행을 넘어 유용할 수 있음을 추가로 보여 주지만, 교차 모델(cross-model) 큐레이션은 큐레이터 진단, 실행자 역량, 검증 증거가 일치할 때만 성공한다. HDSO는 제약 없는 메모리 누적 절차가 아니라, 고정된 행동 에이전트를 위한 감사 가능한(auditable) 스킬 수명 주기를 제공한다.