Agent Skill Extraction Empirical Study Developer Interaction
摘要

大型语言模型驱动的编码Agent正从代码补全工具演变为复杂软件工程任务的求解器。随着开发者与Agent的协作,其偏好可通过重复交互显现,用于适配Agent行为以减少修正并提升协作效率。本文提出一种从交互轨迹中提取可复用开发者偏好的框架,通过基于规则的引导和证据 grounding 细化生成个性化技能,并利用交互式轨迹条件LLM人类开发者模拟器进行回放评估。在13位开发者的206个真实会话实验中,对比了无技能、通用技能和他人技能基线。结果显示,个性化技能带来的提升微小且不一致,而跨开发者的通用技能效果更显著。分析表明,当开发者偏好频繁出现且历史包含多例相关任务时,个性化技能更有效。

AI 推荐理由

论文核心研究从交互历史中提取和复用开发者特定的“技能”(Personalized Skills),直接对应skills主题。

研究机构
UMass Amherst OpenRefinery.ai
论文信息
作者 Shuyan Huang, Kai Du, Andrew Lan
发布日期 2026-08-10
arXiv ID 2608.10319
相关性评分 9/10 (高度相关)