대규모 언어 모델 (LLM) 에이전트는 복잡한 작업을 해결하기 위해 재사용 가능한 기술 (skills)에 의존합니다. 그러나 기존의 기술 생성 방식은 기술을 고립되고 정적인 산물로 취급하여, 재사용성, 신뢰성 및 장기적인 개선을 제한합니다. 우리는 통합된 라이프사이클 (생성, 메모리, 관리, 평가 및 개선) 하에서 에이전트가 기술을 생성, 재사용 및 정제함으로써 작업 해결 능력을 지속적으로 향상시킬 수 있도록 하는 기술 중심 에이전트 프레임워크인 MUSE-Autoskill 에이전트 (Memory-Utilizing Skill Evolution)를 제안합니다. 우리의 프레임워크는 에이전트가 필요에 따라 기술을 생성하고, 여러 작업에 걸쳐 이를 저장 및 재사용하며, 효율적으로 조직 및 선택하고, 유닛 테스트 (unit tests)와 런타임 피드백 (runtime feedback)을 통해 지속적인 개선을 위한 평가를 수행할 수 있도록 합니다. 나아가 우리는 각 기술에 대한 경험을 작업 전반에 걸쳐 축적하는 기술 수준의 메모리 (skill-level memory)를 도입하여, 시간이 지남에 따라 더욱 효과적인 재사용과 적응을 가능하게 합니다. SkillsBench에서의 실험은 라이프사이클이 관리되는 기술이 작업 성공률, 효율성, 재사용성 및 에이전트 간 전이 (cross-agent transfer)를 향상시킬 수 있다는 초기 증거를 제공하며, 기술을 수명이 길고, 경험을 인지하며, 테스트 가능한 자산으로 취급하는 것의 중요성을 강조합니다.