워크플로우 기반 메커니즘 학습: 설명 가능성을 활용한 오류 수정 및 지식 재사용을 통한 구조화된 에이전트 기술 향상

Workflow-Localized Mechanism Learning: Attribution-Guided Repair and Knowledge Reuse for Structured Agent Skills

에이전트 기술 패키지는 재사용 가능한 절차적 지식을 외부 아티팩트로 제공하여, 고정된 언어 모델 기반 에이전트에 적용되지만, 기존 최적화 방법은 워크플로우 내 오류 발생 위치, 원인 메커니즘, 그리고 관련 지식을 어떻게 활용할지 등을 동시에 해결하지 못합니다. 본 연구에서는 워크플로우 기반 메커니즘 학습(WML)을 소개합니다. WML의 노드-메커니즘 속성 분석은 실패한 워크플로우 노드, 관련된 메커니즘, 그리고 가장 작은 수정 범위를 식별하여, 단일 메커니즘 오류는 L3 리소스로, 여러 메커니즘 간의 관계 문제는 L2 조합 프로토콜로 연결합니다. 6개의 모듈로 구성된 워크플로우 기반 기술 최적화(WGSO) 루프는 출처 및 범위 정보를 고려하여 외부 지식을 선택하고, 제한적인 수정 사항을 적용하며, 후보 솔루션을 평가하고, 검증된 결과를 최적화기 메모리에 저장합니다. SpreadsheetBench 데이터셋에서 WML은 DeepSeek 모델과 Qwen3.6-Flash 모델을 사용하여 각각 90.33 +/- 1.53 및 74.67 +/- 3.51의 높은 정확도를 달성했습니다. 추가적인 최적화 없이도 학습된 기술들은 WikiTableQuestions 데이터셋에서 각각 84.00 +/- 2.00 및 83.00 +/- 2.00의 표기 정확도를 보였습니다. Compiler-Supported50 데이터셋에서는 WML이 가장 높은 hard-PASS 비율과 낮은 성공 작업당 비용을 달성했습니다. 컴파일된 실행은 직접적인 SkillAgent에 비해 토큰 사용량과 호출 횟수를 크게 줄이는 동시에 대부분의 성공 작업을 유지합니다. 코드 및 관련 자료는 https://github.com/xiaolin9595/workflow-localized-mechanism-learning 에서 확인할 수 있습니다.

Agent Skills package reusable procedural knowledge as external artifacts for frozen language-model agents, yet existing optimizers do not jointly resolve where a failure occurs in a workflow, which mechanism caused it, and how relevant knowledge from third-party Skills should be reused locally. We introduce Workflow-Localized Mechanism Learning (WML). Its Node--Mechanism Attribution identifies the failed workflow node, implicated mechanisms, and smallest valid edit target, routing single-mechanism defects to L3 resources and relational defects across mechanisms to L2 composition protocols. A six-module Workflow-Guided Skill Optimization (WGSO) loop then selects provenance- and scope-aware third-party knowledge, applies bounded patches, evaluates candidates, and stores verified outcomes in optimizer-side memory. On SpreadsheetBench, WML reaches 90.33 +/- 1.53 and 74.67 +/- 3.51 Hard Accuracy with DeepSeek and Qwen3.6-Flash, respectively; without additional optimization, the learned Skills transfer to WikiTableQuestions with 84.00 +/- 2.00 and 83.00 +/- 2.00 Denotation Accuracy. On Compiler-Supported50, WML attains both the highest hard-PASS rate and the lowest cost per successful task; compiled execution sharply reduces tokens and calls relative to a direct SkillAgent while retaining most of its successful tasks. Code and artifacts are available at https://github.com/xiaolin9595/workflow-localized-mechanism-learning.