MUSE-Autoskill: 기술 생성, 기억, 관리 및 평가를 통한 자가 진화 에이전트

MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation

대규모 언어 모델(LLM) 기반 에이전트는 복잡한 작업을 해결하기 위해 재사용 가능한 기술에 의존합니다. 그러나 기존의 기술 생성 방식은 기술을 고립되고 정적인 요소로 취급하여, 기술의 재사용성, 신뢰성 및 장기적인 개선 가능성을 제한합니다. 본 논문에서는 기술 중심 에이전트 프레임워크인 MUSE-Autoskill Agent (메모리를 활용한 기술 진화)를 제안합니다. 이 프레임워크는 에이전트가 통일된 라이프사이클(생성, 기억, 관리, 평가 및 개선)을 통해 지속적으로 기술을 생성하고, 재사용하며, 개선함으로써 작업 해결 능력을 향상시킬 수 있도록 합니다. 우리의 프레임워크를 통해 에이전트는 필요에 따라 기술을 생성하고, 여러 작업을 거치며 저장하고 재사용할 수 있으며, 효율적으로 기술을 구성하고 선택할 수 있습니다. 또한 유닛 테스트 및 런타임 피드백을 통해 기술을 평가하여 지속적인 개선을 가능하게 합니다. 더 나아가, 각 작업에서 얻은 경험을 기술 레벨의 메모리에 축적하여, 시간이 지남에 따라 기술의 효율적인 재사용 및 적응을 지원합니다. SkillsBench 데이터셋에 대한 실험 결과는 라이프사이클 관리를 통해 기술이 작업 성공률, 효율성, 재사용성 및 에이전트 간 전송성을 향상시킬 수 있음을 보여주며, 기술을 장기적으로 지속 가능하고 경험 기반이며 테스트 가능한 자산으로 관리하는 것의 중요성을 강조합니다.

Large language model (LLM) agents rely on reusable skills to solve complex tasks. However, existing skill creation approaches treat skills as isolated and static artifacts, limiting their reusability, reliability, and long-term improvement. We propose MUSE-Autoskill Agent (Memory-Utilizing Skill Evolution), a skill-centric agent framework that lets agents continuously improve their task-solving capability by creating, reusing, and refining skills under a unified lifecycle (creation, memory, management, evaluation, and refinement). Our framework enables agents to create skills on demand, store and reuse them across tasks, organize and select them efficiently, and evaluate them through unit tests and runtime feedback for continuous refinement. We further introduce skill-level memory that accumulates experience for each skill across tasks, enabling more effective reuse and adaptation over time. Experiments on SkillsBench provide initial evidence that lifecycle-managed skills can improve task success, efficiency, reuse, and cross-agent transfer, highlighting the importance of treating skills as long-lived, experience-aware, and testable assets.