Emotion2Skill: 모델 내부 감정 신호를 활용한 적응적 기술 선택 및 진화

Emotion2Skill: Model-Internal Emotion Signals for Adaptive Skill Selection and Evolution

기술 기반 LLM 에이전트는 복잡한 작업을 해결하기 위해 외부 라이브러리에서 재사용 가능한 절차를 선택하지만, 이들의 경로 결정은 작업 설명, 언어적 반영, 경험에 따른 규칙과 같은 텍스트 수준의 신호에만 의존하며, 모델 자체의 내부 표현 상태는 관찰되지 않습니다. 최근 해석 가능성 연구에서는 LLM이 행동에 인과적으로 영향을 미치는 선형 감정 표현을 유지한다는 것을 보여주었지만, 이러한 표현은 사후 분석이나 직접적인 출력 제어를 위해 사용되었으며, 에이전트 수준의 의사 결정에 활용되지는 않았습니다. 본 논문에서는 LLM 내부의 감정 벡터를 추출하고 기술 선택 및 기술 진화에 통합하는 프레임워크인 Emotion2Skill을 제안합니다. 각 의사 결정 단계에서 27차원의 감정 상태를 잔류 스트림에서 추출하여 신뢰도 기반 요약을 생성하고, 이를 경로 탐색 프롬프트에 주입합니다. 온라인 선택 외에도, 감정 변화 추이를 분석하여 문제적인 기술 호출을 파악하고, 기존 방법의 단순한 이진 결과 신호 대신, 목표 지향적인 SOP(Standard Operating Procedure) 재작성을 유도합니다. WebShop 및 ALFWorld 데이터셋에서 Emotion2Skill은 Qwen3-8B 모델과 함께 사용되었을 때, 제로샷 기준 성능보다 각각 +26.9%의 성공률 향상 및 +25.5%의 평균 성공률 향상을 보여주었으며, 두 벤치마크 모두에서 다른 모든 기준 모델보다 우수한 성능을 보였습니다. 또한, 공동 활성화 분석은 의미적으로 일관된 감정-기술 쌍을 드러내며, 경로 개선이 불투명한 통계적 상관 관계가 아닌 의미 있는 내부 상태 신호를 반영한다는 것을 확인합니다. 이러한 결과는 LLM 내부의 감정 표현이 에이전트 기술 시스템을 조정하는 데 효과적인 의사 결정 수준의 신호로 활용될 수 있음을 보여주며, 해석 가능성 및 출력 제어 이상의 유용성을 제공합니다. 코드: https://github.com/BoHan-LIN04/Emotion2Skill

Skill-based LLM agents select reusable procedures from an external library to solve complex tasks, yet their routing decisions rely entirely on text-level signals such as task descriptions, verbal reflections, and experience-derived rules, while the model's own internal representational state remains unobserved. Recent interpretability work has shown that LLMs maintain linear emotion representations that causally influence behavior; however, these representations have been exploited only for post-hoc analysis or direct output steering, and have not been used to inform agent-level decision-making. We propose Emotion2Skill, a framework that extracts LLM-internal emotion vectors and incorporates them into both skill selection and skill evolution. At each decision step, a 27-dimensional emotion state is extracted from the residual stream and mapped to a confidence-gated summary injected into the routing prompt. Beyond online selection, emotion trajectories are analyzed for abrupt internal-state shifts to pinpoint problematic skill invocations, guiding targeted SOP rewriting that replaces the coarse binary outcome signal of prior methods. On WebShop and ALFWorld, Emotion2Skill with Qwen3-8B improves over the Zero-Shot baseline by +26.9% success rate and +25.5% average success respectively, outperforming all baselines on both benchmarks with consistent gains on Qwen3-14B. Co-activation analysis further reveals semantically coherent emotion--skill pairings, confirming that the routing improvements reflect meaningful internal-state signals rather than opaque statistical correlations. These results establish LLM-internal emotion representations as an effective decision-level signal for orchestrating agent skill systems, extending their utility beyond interpretability and output steering. The code is available at https://github.com/BoHan-LIN04/Emotion2Skill.