SkillProx: Self-Evolving Agent Skills via Proximal Textual Gradient Descent

AI 에이전트의 '스킬(사용법)'을 자동으로 진화시키되, 검증 없는 수정은 거르고 쓸모없는 지식은 적극적으로 삭제하는 프레임워크를 제안했다.

이 논문은 한마디로 AI 에이전트가 쓰는 '스킬(텍스트로 된 사용 설명서)'을 스스로 고쳐 나가되, 수정이 진짜 도움이 되는지 확인하고 쓸모없는 내용은 지우는 체계적인 방법을 제안한다. 기존 방식은 진단만 하고 바로 적용해서 되려 성능이 떨어지거나, 스킬이 쓸데없이 길어지는 문제가 있었다. SkillProx는 순방향(수정→실행→확인)과 역방향(지식 단위로 쪼개서 유용성 평가→삭제/통합)을 결합했다. 평균 정확도를 기존 대비 3.0%p 올렸다.

핵심 요약

• 스킬 수정을 '순방향-역방향' 최적화로 정식화했다. 순방향은 진단→수정→실행으로 검증하고, 역방향은 지식 단위별 유용성을 평가해 통합·삭제한다.
• 수정 후 같은 과제에 다시 실행해보고 성능이 나빠지면 롤백하는 '결과 기반 검증 루프'를 도입했다.
• 역방향에서 leave-one-out(하나씩 빼보기) 방식으로 각 지식 단위의 기여도를 측정해, 안 좋은 지식을 제거하니 정확도가 46%에서 54%로 올랐다.
• 3개 백본 LLM에서 기존 최고 방법론 대비 평균 3.0%p 정확도 향상을 달성했다.
• 단순히 스킬을 키우기만 하는 기존 방식과 달리, '무엇을 버릴 것인가'를 명시적으로 다룬 것이 핵심 차별점이다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.