작업 분해 기반 재순위화를 통한 적응형 에이전트 기술 검색

Task Decomposition-Guided Reranking for Adaptive Agent Skill Retrieval

기술 활용은 현대 에이전트 시스템의 복잡한 작업 수행 능력을 크게 향상시킬 수 있습니다. 그러나 기술 라이브러리의 규모가 증가함에 따라 정확한 기술 선택은 점점 더 어려워지고 있습니다. 실제 시나리오에서 특정 작업 요구 사항과 여러 개의 일반적이지만 의미적으로 유사한 후보 기술 간에 모호한 의미 일치가 발생하는 경우가 많습니다. 또한 기존 방법은 최적의 대상 기술 세트를 선택할 때 작업 난이도와 기술 적용 가능성의 동적인 영향을 간과하는 경향이 있습니다. 이러한 문제를 해결하기 위해, 우리는 적응형 기술 선택을 위한 추론 시간 재순위화 프레임워크인 SkillReranker를 제안합니다. 구체적으로, 우리는 먼저 작업 및 기술 측면에서 의미 분해를 수행하여 유용한 하위 작업 설명과 실행 상태 설명, 그리고 각 기술의 기능 특징을 나타내는 전환 상태 설명을 얻습니다. 이러한 설명은 중간 작업 상태를 노드로, 후보 기술을 엣지로 표현하는 방향성 비순환 실행 그래프를 구성하는 데 사용됩니다. 이를 통해 체계적인 작업-기술 대응 관계를 구축합니다. SkillReranker는 각 상태 노드가 분할 조건을 만족하는지 여부를 판단하여 하위 작업 구간을 식별합니다. 각 작업 구간에 대해, 우리는 크로스 인코더를 사용하여 후보 기술에 대한 종합적인 점수를 매기고 가장 적합한 기술들을 선택하여 최종 대상 기술 세트를 구성합니다. ALFWorld 및 ScienceWorld에서 세 가지 기반 LLM을 사용한 실험 결과, SkillReranker는 기존의 기술 선택 기준보다 작업 성능을 효과적으로 향상시키고 환경과의 상호 작용 단계를 줄이며 토큰 소비량을 낮춘다는 것을 보여줍니다.

Skill usage can significantly enhance the ability of modern agent systems to complete complex tasks. However, the growing scale of skill libraries makes accurate skill selection increasingly challenging. In real-world scenarios, ambiguous semantic matching often arises between a specific task requirement and multiple generic yet semantically similar candidate skills. Moreover, existing methods tend to overlook the dynamic influence of task difficulty and skill applicability when selecting the optimal target skill set. To address these issues, we propose SkillReranker, an inference-time reranking framework for adaptive skill selection. Specifically, we first perform semantic decomposition on both the task and skill sides, yielding informative subtask and execution-state descriptions as well as transition-state descriptions that characterize each skill's functionality. These descriptions are then used to construct a directed acyclic execution graph, where intermediate task states are modeled as nodes and candidate skills as edges, thereby establishing a structured task-skill correspondence. On this basis, SkillReranker determines whether each state node satisfies the split condition to identify subtask intervals. For each task interval, we employ a cross-encoder to perform comprehensive scoring over candidate skills and select the most suitable ones to form the final target skill set. Experiments on ALFWorld and ScienceWorld with three backbone LLMs show that SkillReranker effectively improves task performance, reduces environment interaction steps, and lowers token consumption compared with existing skill selection baselines.