학습자 시뮬레이션(learner simulation)은 특정 학습자가 새로운 과제에서 어떻게 행동하는지 재현하는 것을 목표로 합니다. 대규모 언어 모델(LLM)이 점차 세분화된 학습 행동을 생성할 수 있게 되었지만, 기존 접근 방식은 학습자를 재구성하기 위해 계속 늘어나는 상호작용 이력을 반복적으로 처리해야 하는 경우가 많습니다. 이는 추가적인 컨텍스트 및 추론(inference) 비용을 유발하며, 획득한 학습자 맞춤형 시뮬레이션 기능을 서로 다른 LLM 간에 재사용하기 어렵게 만듭니다. 이에 따라 본 논문에서는 과거 상호작용에서 획득한 시뮬레이션 역량을 지속 가능하고 재사용 가능한 시뮬레이션 스킬(Simulation Skill)로 외재화하는 Learner2Skill을 제안합니다. 이 스킬은 학습자의 현재 학습 상태와 반복적인 응답 패턴을 포착하고, 새로운 실제 상호작용이 유입됨에 따라 발전하며, 학습자를 처음부터 다시 구성하지 않고도 경량 실행기 보정(executor calibration)을 통해 새로운 LLM에 적응할 수 있습니다. 실험 결과에 따르면 Learner2Skill은 전반적인 토큰(token) 비용을 줄이면서도 세분화된 학습자 행동을 더 충실하게 재현하며, 구축된 동일한 스킬을 서로 다른 LLM 실행기 전반에서 효과적으로 재사용할 수 있음을 보여줍니다.
스킬 라이브러리는 대규모 언어 모델(LLM) 에이전트가 여러 작업에 걸쳐 절차적 경험을 재사용할 수 있는 실용적인 방법이 되었습니다. 그러나 기존 시스템은 일반적으로 스킬을 평면적이고 단일 해상도의 프롬프트 블록으로 취급합니다. 이는 관련성과 비용 간의 긴장을 유발합니다. 즉, 조잡한(coarse) 스킬을 주입하면 관련이 없거나 오해의 소지가 있는 컨텍스트가 유입될 수 있는 반면, 스킬 전체를 다시 작성하는 것은 비용이 많이 들고 불필요한 경우가 많습니다. 본 논문에서는 스킬을 정책, 전략, 절차 및 기본 단위(primitives)로 구성된 4개 층의 그래프로 구성하고 이를 혼합 단위로 검색하는 계층적 스킬 진화 프레임워크인 SkillLens를 제안합니다. 작업이 주어지면 SkillLens는 먼저 의미론적으로 관련된 스킬 시드를 검색하고, 스킬 그래프에 대한 차수 교정 무작위 보행(degree-corrected random walk)을 통해 이를 확장한 다음, 검증기(verifier)를 사용하여 방문한 각 단위를 수락, 분해, 재작성 또는 건너뛸지 여부를 결정합니다. 이를 통해 에이전트는 호환 가능한 하위 스킬을 직접 재사용하면서 국소적으로 불일치하는 구성 요소만 적응시킬 수 있습니다. 시스템을 지속적으로 개선하기 위해 SkillLens는 라우팅 결정을 향상시키고자 다중 단위 스킬과 검증기를 추가로 개선합니다. 본 연구는 혼합 단위 적응이 희소 불일치 가정 하에서 준선형 비용을 발생시키며, 진화적 업데이트 규칙이 국소 최적점에 도달할 때까지 검증 목표를 단조적으로 향상시킴을 보여주는 이론적 분석을 제공합니다. MuLocbench 및 ALFWorld 전반에서 SkillLens는 강력한 스킬 기반 베이스라인 대비 일관된 개선을 보였으며, 버그 위치 특정(bug localization)에서 최대 6.31%p의 Acc@1 향상을 달성하고 에이전트 성공률을 45.00%에서 51.31%로 높였습니다.
소프트웨어 엔지니어링(SE)은 소스 코드와 라이브러리에서 컴포넌트와 서비스에 이르기까지 점점 더 강력한 형태의 재사용을 통해 지속적으로 발전해왔다. 최근 AI 에이전트의 발전은 잠재적으로 새로운 재사용 가능한 아티팩트인 스킬(skill)을 등장시켰다. 새롭게 떠오르는 에이전트 스킬 저장소와 마켓플레이스는 개발자들이 SE 전문성을 재사용 가능한 스킬로 패키징하고 공유하며 재사용할 수 있게 한다. 이러한 추세는 근본적인 질문을 제기한다: 어떤 SE 활동이 재사용 가능한 스킬로 캡슐화되고 있는가? 기존 연구들은 주로 광범위한 스킬 획득, 안전성, 또는 벤치마크에 초점을 맞추며, SE 특화 스킬과 소프트웨어 개발 생명주기 전반에 걸친 해당 스킬의 적용 범위에 대한 체계적인 이해가 부족하다. 이러한 격차를 해소하기 위해, 우리는 공개 저장소와 마켓플레이스에서 SE 스킬에 대한 최초의 대규모 실증 연구를 수행한다. 우리는 대규모 SE 스킬 코퍼스를 수집하고 분석하여, 스킬이 캡슐화하는 활동, 생명주기 적용 범위, 진화 특성, 그리고 평가 메커니즘을 조사한다. 연구 결과, SE 활동이 스킬을 통해 점점 더 재사용 가능한 아티팩트로 전환되고 있음이 드러났으며, 스킬 추천 및 엔지니어링 지향적 구조화를 위한 유망한 연구 기회와 함께, 높은 맥락 의존성을 가진 SE 활동을 재사용 가능한 스킬로 캡슐화하기 위한 메커니즘의 필요성이 제시되었다. 전반적으로, 본 연구는 SE 스킬에 대한 최초의 활동 중심적 특성화를 제공하고, SE 활동이 점점 더 재사용 가능한 스킬로 전환되는 방식을 밝힌다. 이러한 연구 결과는 스킬 재사용, 에코시스템 개발, 그리고 에이전트 중심 SE의 미래에 대한 새로운 통찰을 제공한다.
대규모 언어 모델(LLM) 웹 에이전트는 주로 툴 호출기(tool caller)로 배포됩니다: 매 턴마다 모델은 새로운 페이지 관찰 결과를 읽고 하나의 구조화된 툴 액션을 생성합니다. 모든 액션이 저수준 프리미티브(primitive)인 경우, 시계(horizon)는 빠르게 길어지고 정책 결정을 위한 LLM 완료 작업도 증가하여 Mind2Web 및 WebArena와 같은 벤치마크에서 지연 시간과 비용을 주도하게 됩니다. 따라서 최근 시스템들은 반복되는 상호작용 조각을 웹 스킬로 래핑합니다: 성공적인 궤적이나 도출된 프로그램에서 빌드된 호출 가능한 툴로서, 하나의 호출이 여러 프리미티브를 대체할 수 있습니다. 그러나 기존 스킬 라이브러리는 여전히 주로 명령어 유사도나 대략적인 사이트 메타데이터에 의해 트리거되므로, 홀드아웃 사이트에서 낮은 스킬 재사용율을 보이며 잠재적인 단계 및 토큰 감소 효과를 충분히 활용하지 못합니다. 우리는 레이아웃 구조를 특정 요소 참조가 아닌 매칭하여 사이트 간에 재사용 가능한 웹 스킬을 학습하고 전이하는 에이전트인 SkillMigrator를 제안합니다. 각 도출된 스킬은 전이 가능한 상호작용 패턴(TIP)으로 저장됩니다: 도출 시점의 스냅샷에 대한 구조적 스케치와 짝을 이룬 스킬입니다. 테스트 시점에 SkillMigrator는 레이아웃 유사도로 TIP를 검색하고 라이브 페이지에서 해당 참조를 그라운딩합니다. 나머지 스택은 표준적입니다: 안정적인 참조가 포함된 접근성 스냅샷 관찰, 그리고 프리미티브와 스킬 호출에 대한 고정된 툴 호출입니다. 최신 방법론들과 비교했을 때, SkillMigrator는 동일한 성공률에서 WebArena와 Mind2Web 모두에 걸쳐 성공적인 궤적의 평균 LLM 액션 수를 8-10% 감소시킵니다.