NOTAS DE CAMPO / LDM ZARAGOZA / CALATAYUD · 2026
RESEARCH IA/PAPER 05

AGENTES

Automating SKILL.md Generation for Computer-Using Agents via Interaction Trajectory Mining

ImprescindibleLectura primaria completa

Extrae bibliotecas de habilidades desde trayectorias GUI: segmenta interacciones, agrupa skills candidatas y entrena una política consciente de esas skills.

AUTHORS / LABYuexing Hao, Xiaomin Li
FECHA18 JUNIO 2026.
LECTURALectura primaria completa
LECTURA DE 60 SEGUNDOS

Lo esencial antes de invertir más tiempo.

HALLAZGO

Extrae bibliotecas de habilidades desde trayectorias GUI: segmenta interacciones, agrupa skills candidatas y entrena una política consciente de esas skills.

EVIDENCIA DISPONIBLE

NMI drops for larger k , while purity stays near 0.63, so we use k=8 in the main analysis.

Resultado reportado con fuente enlazada · 5 localizadores disponibles.
LÍMITE

La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 6 Results.

SIGUIENTE PRUEBA

Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.

EN UNA FRASE

Extrae bibliotecas de habilidades desde trayectorias GUI: segmenta interacciones, agrupa skills candidatas y entrena una política consciente de esas skills.

SEÑALenterprise SaaS · consultoría
EVIDENCIAResultado reportado con fuente enlazada
CONFIANZA EDITORIALMedia
RESULTADOS / PROCEDENCIA

Qué está reportado y qué conviene comprobar.

Hay resultado reportado con fuente enlazada.
RESULTADO REPORTADO

NMI drops for larger k , while purity stays near 0.63, so we use k=8 in the main analysis.

contexto: 6 Results

RESULTADO REPORTADO

After 200 epochs, KMeans in the 16-dimensional latent space reaches NMI = 0.862, silhouette = 0.554, and purity = 0.837, a 33% relative NMI gain over the Wasserstein baseline.

33% · baseline: Comparación declarada en la sección de evaluación · contexto: 6 Results

RESULTADO REPORTADO

Five of eight clusters have purity at least 0.95 against one IW skill.

contexto: 6 Results

RESULTADO REPORTADO

The current GRPO run improves IW skill-step accuracy only slightly over zero-shot Qwen3-8B (18.5% to 20.5%), decreases on WebArena (55.8% to 44.2%), is unchanged on BrowseComp+ (43.5% to 43.3%), and matches zero-shot Qwen3-8B on WorkArena-NLP field accuracy (37.0% for both, with 0% exact match).

8B · contexto: 6 Results

LECTURA DEL PAPER / SÍNTESIS EDITORIAL

Qué estudiaron y qué cambia.

La síntesis está separada de los resultados reportados y de las inferencias.

PROBLEMA / La señal entra en el radar porque Las skills explícitas hacen agentes más inspeccionables, pero escribirlas a mano no escala.

MÉTODO / La lectura de 4 Method: Automated SKILL.md Generation describe la intervención y su construcción: The pipeline has three stages. It segments trajectories, clusters the segments into skills, and trains a CUA policy with the resulting annotations. The first two stages build the skill library. The third stage tests whether the library helps. Figure 1 summarizes the study design. The equations below are operational definitions rather than standalone theoretical claims. Equation 2 decides where candidate skills begin and end; Equation 3 turns each variable-length segment into a fixed-length vector; Equation 4 turns those vectors into a distance matrix for clustering; and Equation 5 refines the resulting… [Fuente: https://arxiv.org/html/2606.20363#S4]

RESULTADO / La sección 6 Results informa: NMI drops for larger k , while purity stays near 0.63, so we use k=8 in the main analysis. After 200 epochs, KMeans in the 16-dimensional latent space reaches NMI = 0.862, silhouette = 0.554, and purity = 0.837, a 33% relative NMI gain over the Wasserstein baseline. Five of eight clusters have purity at least 0.95 against one IW skill. [Fuente: https://arxiv.org/html/2606.20363#S6]

LÍMITE / El cierre de la fuente señala: The limitations point to concrete next steps. The contrastive encoder uses cluster-derived pseudo-labels, so the pipeline is not fully unsupervised; IW is synthetic and may not capture real enterprise complexity; and the Phase 1 \ell_{2} boundary heuristic should be compared against learned action-prediction-error segmenters before being treated as robust. Stronger claims would require completed Mind2Web GRPO and live WorkArena evaluations; the present… La transferencia a agentes de escritorio requiere repetir la comparación con datos y criterios propios [Fuente: https://arxiv.org/html/2606.20363#S7].

DECISIÓN RÁPIDAProbar la propuesta en agentes de escritorio reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.
NO LO SOBREINTERPRETES

La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 6 Results.

PROBLEMA
Las skills explícitas hacen agentes más inspeccionables, pero escribirlas a mano no escala.
MÉTODO
La lectura de 4 Method: Automated SKILL.md Generation describe la intervención y su construcción: The pipeline has three stages. It segments trajectories, clusters the segments into skills, and trains a CUA policy with the resulting annotations. The first two stages build the skill library. The third stage tests whether the library helps. Figure 1 summarizes the study design. The equations below are operational definitions rather than standalone theoretical claims. Equation 2 decides where candidate skills begin and end; Equation 3 turns each variable-length segment into a fixed-length vector; Equation 4 turns those vectors into a distance matrix for clustering; and Equation 5 refines the resulting…
TIPO DE EVIDENCIA
La sección 6 Results informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.20363#S6.
LÍMITE
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 6 Results.
FIELD NOTES / ANOTACIONES

La lectura también deja rastro.

Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.

MEMORIA PRIVADAEntra para anotar este paper y conectarlo con otros.
Entrar con ChatGPT
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
LECTURA EN 90 SEGUNDOSLo que conviene llevarse antes de abrir el PDF.
QUÉ HACE

La lectura de 4 Method: Automated SKILL.md Generation describe la intervención y su construcción: The pipeline has three stages. It segments trajectories, clusters the segments into skills, and trains a CUA policy with the resulting annotations. The first two stages build the skill library. The third stage tests whether the library helps. Figure 1 summarizes the study design. The equations below are operational definitions rather than standalone theoretical claims. Equation 2 decides where candidate skills begin and end; Equation 3 turns each variable-length segment into a fixed-length vector; Equation 4 turns those vectors into a distance matrix for clustering; and Equation 5 refines the resulting…

QUÉ APORTA

Puede convertir sesiones de uso reales en manuales operativos reutilizables para agentes.

QUÉ NO PRUEBA

La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 6 Results.

Cómo lo llevaría a un proyecto

Probar la propuesta en agentes de escritorio reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.

agentes de escritoriosoporte ITCRMhojas de cálculogestión documental.

Preguntas que conviene probar

  • ¿La mejora se mantiene cuando agentes de escritorio cambia de dominio o distribución?
  • ¿Qué componente del método explica la mayor parte del resultado y qué baseline lo pone realmente a prueba?
PLANTILLA DE PRUEBA / INFERENCIA EDITORIAL

Si tuviera que convertirlo en una prueba mañana.

ENTRADAagentes de escritorio con un conjunto pequeño de casos representativos y la misma métrica o protocolo que la fuente cuando sea reproducible.
PREGUNTA¿La propuesta mejora agentes de escritorio frente a la línea base actual?
MÉTRICAComparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
PARADAParar si no aparece una mejora reproducible o si aumenta el riesgo, la complejidad o el coste sin compensación.

Mi lectura

La pregunta operativa es si agentes de escritorio puede medirse con una línea base y un criterio de parada claros.

Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.