AutoSkill: LLM-Agenten lernen aus Erfahrung – Weg zur lebenslangen Personalisierung

In der Praxis zeigen Nutzer von großen Sprachmodellen immer wieder stabile Vorlieben und Anforderungen – etwa das Vermeiden von Halluzinationen, das Befolgen institutioneller Schreibregeln oder das Reduzieren von Fachjargon. Diese Interaktionen werden jedoch selten in wiederverwendbare Erkenntnisse überführt, sodass LLM-Agenten ihre persönlichen Fähigkeiten nicht über Sessions hinweg aufbauen können.

AutoSkill löst dieses Problem, indem es ein lebenslanges Lernframework bereitstellt, das aus Dialog- und Interaktionsspuren automatisch Fähigkeiten extrahiert, pflegt und wiederverwendet. Der Ansatz ist erlebnisorientiert: Der Agent sammelt Erfahrungen, abstrahiert daraus konkrete „Skills“, lässt diese kontinuierlich weiterentwickeln und injiziert sie bei neuen Anfragen – ohne das zugrunde liegende Modell neu zu trainieren.

Das System ist als modellunabhängige Plugin-Schicht konzipiert und damit mit allen bestehenden LLMs kompatibel. AutoSkill definiert zudem eine standardisierte Skill-Repräsentation, die den Austausch und die Übertragung von Fähigkeiten zwischen Agenten, Nutzern und Aufgaben ermöglicht. Auf diese Weise wird flüchtige Interaktionserfahrung in explizite, wiederverwendbare und kombinierbare Kompetenzen verwandelt.

Die Autoren erläutern die Motivation, die Architektur, den Lebenszyklus der Skills und die konkrete Implementierung. Sie positionieren AutoSkill im Kontext früherer Arbeiten zu Speicher, Retrieval, Personalisierung und agentischen Systemen und zeigen, wie das Framework einen praktischen und skalierbaren Weg zu lebenslangen, personalisierten Agenten und digitalen Begleitern eröffnet.