AutoSkill: 경험 기반의 지속적인 학습을 위한 기술 자체 진화

AutoSkill: Experience-Driven Lifelong Learning via Skill Self-Evolution

실제 LLM(대규모 언어 모델) 애플리케이션에서 사용자들은 환각 현상 감소, 기관의 글쓰기 규칙 준수, 지나치게 기술적인 용어 회피 등과 같이 안정적인 선호도와 요구사항을 반복적으로 표현하지만, 이러한 상호 작용 경험은 종종 재사용 가능한 지식으로 통합되지 않습니다. 결과적으로, LLM 에이전트는 종종 세션 간에 개인화된 기능을 축적하는 데 실패합니다. 본 논문에서는 AutoSkill이라는 경험 기반의 지속적인 학습 프레임워크를 제시합니다. AutoSkill은 LLM 에이전트가 대화 및 상호 작용 기록에서 자동으로 기술을 도출, 유지 및 재사용할 수 있도록 합니다. AutoSkill은 사용자 경험에서 기술을 추상화하고, 기술의 지속적인 자체 진화를 지원하며, 기본 모델을 재학습하지 않고도 관련 기술을 미래 요청에 동적으로 주입합니다. 모델에 구애받지 않는 플러그인 계층으로 설계되어 기존 LLM과 호환되며, 에이전트, 사용자 및 작업 간의 공유 및 전송을 위한 표준화된 기술 표현을 도입합니다. 이러한 방식으로, AutoSkill은 일시적인 상호 작용 경험을 명시적이고 재사용 가능하며 조합 가능한 기능으로 변환합니다. 본 논문에서는 AutoSkill의 동기, 아키텍처, 기술 수명 주기 및 구현에 대해 설명하고, 기존의 메모리, 검색, 개인화 및 에이전트 시스템 관련 연구와의 관계를 설명합니다. AutoSkill은 지속적인 개인화된 에이전트 및 개인 디지털 대리 시스템을 위한 실용적이고 확장 가능한 경로를 제시합니다.

In practical LLM applications, users repeatedly express stable preferences and requirements, such as reducing hallucinations, following institutional writing conventions, or avoiding overly technical wording, yet such interaction experience is seldom consolidated into reusable knowledge. Consequently, LLM agents often fail to accumulate personalized capabilities across sessions. We present AutoSkill, an experience-driven lifelong learning framework that enables LLM agents to automatically derive, maintain, and reuse skills from dialogue and interaction traces. AutoSkill abstracts skills from user experience, supports their continual self-evolution, and dynamically injects relevant skills into future requests without retraining the underlying model. Designed as a model-agnostic plugin layer, it is compatible with existing LLMs and introduces a standardized skill representation for sharing and transfer across agents, users, and tasks. In this way, AutoSkill turns ephemeral interaction experience into explicit, reusable, and composable capabilities. This paper describes the motivation, architecture, skill lifecycle, and implementation of AutoSkill, and positions it with respect to prior work on memory, retrieval, personalization, and agentic systems. AutoSkill highlights a practical and scalable path toward lifelong personalized agents and personal digital surrogates.