Anything2Skill: 외부 지식을 재사용 가능한 에이전트 스킬로 변환하는 방법

Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents

검색 증강 생성(RAG)은 에이전트가 추론 시에 외부 지식에 접근할 수 있도록 하지만, 주로 단편적인 선언적 정보를 검색하며, 에이전트는 이러한 정보로부터 반복적으로 작업 절차를 추론해야 합니다. 이는 다음과 같은 근본적인 질문을 제기합니다: 외부 지식 베이스에서 추출된 스킬을 에이전트에 설치하여 에이전트가 빠르게 해당 분야의 전문성을 습득하도록 할 수 있는가? 본 논문에서는 Anything2Skill이라는 분류 체계 기반 프레임워크를 제안합니다. 이 프레임워크는 다양한 형태의 외부 지식을 재사용 가능하고, 검색 가능하며, 실행 가능한 스킬로 컴파일하여 에이전트에 제공합니다. 주어진 지식 레코드 집합에 대해, extsc{Anything2Skill}은 먼저 각 레코드를 증거 창(evidence window)으로 분해하고, 스킬 트리를 기반으로 계획 및 확장(plan-and-expand) 방식을 사용하여 스킬을 추출합니다. 추출된 후보들은 호출 조건, 금기 사항, 액션, 워크플로우 단계, 제약 조건, 출력 명세, 증거 자료 및 신뢰도 점수를 명시하는 구조화된 스킬 계약으로 변환됩니다. Anything2Skill은 배포 가능한 절차적 기억을 구축하기 위해, 분류 체계에 기반한 컴파일, 레지스트리 수준의 조정, 라이프사이클 추적, 버전 관리 업데이트 및 시각적인 스킬 트리 제공 기능을 통해 추출된 스킬들을 지속적인 스킬뱅크(SkillBank)에 관리합니다. 추론 시에는 에이전트가 원래 지식 베이스에서 작업 관련 문서를 검색하고, 스킬뱅크에서 관련된 절차적 스킬을 검색하여 RAG가 선언적 증거를 제공하는 동시에 컴파일된 스킬이 재사용 가능한 절차적 지침을 제공하도록 합니다. qsv 및 GitHub-CLI에 대한 실험 결과, Anything2Skill과 RAG를 결합했을 때 각각 98.85%와 94.10%의 성공률을 달성하여, RAG만 사용하는 에이전트보다 훨씬 우수한 성능을 보였습니다. 이러한 결과는 잠재적인 절차적 지식을 명시적인 스킬로 컴파일하는 것이, 지식 접근에서 기능 재사용으로 확장되는 검색 증강 에이전트를 개발하는 효과적인 방법임을 시사합니다.

Retrieval-augmented generation (RAG) enables agents to access external knowledge at inference time, but it primarily retrieves fragmented declarative evidence, leaving agents to repeatedly infer task procedures from passages, manuals, examples, logs, or trajectories. This raises a fundamental question: can skills extracted from external knowledge bases be installed into an agent, enabling it to rapidly approximate domain expertise? In this paper, we propose Anything2Skill, a taxonomy-guided framework that compiles heterogeneous external knowledge into reusable, retrievable, and executable skills for agents. Given a corpus of knowledge records, \textsc{Anything2Skill} first decomposes each record into evidence windows and performs plan-and-expand skill extraction under a skill-tree prior. The extracted candidates are then converted into structured skill contracts that specify invocation conditions, contraindications, action moves, workflow steps, constraints, output specifications, supporting evidence, and confidence scores. To construct a deployable procedural memory, Anything2Skill manages the extracted skills in a persistent SkillBank through taxonomy-aware compilation, registry-level reconciliation, lifecycle tracking, versioned updates, and visible skill-tree projection. At inference time, agents retrieve both task-specific passages from the original knowledge base and relevant procedural skills from the SkillBank, allowing RAG to provide declarative evidence while compiled skills provide reusable procedural guidance. Experiments on qsv and GitHub-CLI show that Anything2Skill combined with RAG achieves 98.85\% and 94.10\% success rates, respectively, substantially outperforming RAG-only agents. These results suggest that compiling latent procedural knowledge into explicit skills is an effective way to extend retrieval-augmented agents from knowledge access toward capability reuse.