Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Общий текстовый навык LLM-агентов можно улучшать по опыту разных владельцев данных, не собирая их задания и записи шагов агента в одном месте. В нерецензированном препринте, где все числа получили сами авторы, FedSkillGit превзошёл независимое обновление навыков во всех проверенных сочетаниях моделей и задач. Подход даёт альтернативу централизованному обучению, когда несколько подразделений или компаний хотят развивать общие правила работы агента, но не могут объединить данные.
Единицей обмена становится правка, а не весь документ
LLM-агент получает навык как текстовый документ с правилами и процедурами. Обычная федеративная схема предлагает каждому клиенту изменить свою копию, а затем отправить весь документ на сервер. При таком обмене большая часть текста повторяется, полезная правка теряется внутри документа, а в новые правила могут попасть названия, идентификаторы и детали локальной среды.
FedSkillGit заменяет целый документ набором адресных изменений. Клиент указывает правило, операцию над ним и новый текст: правило можно дополнить, вставить после другого или заменить. Вместе с правками клиент передаёт краткое описание обнаруженных ошибок и опыта, который объясняет изменение.
Перед отправкой текст проходит два фильтра. Сначала отдельный LLM-агент заменяет специфичные для клиента значения типовыми обозначениями. Затем проверяющий агент сопоставляет результат с фиксированным локальным набором чувствительных значений. Если проверка не пройдена, текст снова отправляется на обезличивание.
На GPT-5.4-mini и SearchQA после обезличивания проверку с первой попытки прошёл 81% пакетов против 33% без него. Этот замер показывает, что первый фильтр помогает пройти второй, но не измеряет фактические утечки и не доказывает конфиденциальность протокола.
Сервер удаляет повторяющиеся и конфликтующие предложения, обновляет общий документ с накопленным опытом и объединяет оставшиеся правки в новую версию навыка. Накопленный опыт видят только оптимизаторы и серверный агент слияния: исполнитель получает сам навык и не использует служебную историю.
Готовую версию клиенты проверяют на локальных контрольных заданиях и возвращают только долю успешных ответов. Сервер публикует изменение, если общий результат не хуже текущего. Неудачная правка не становится частью общего навыка, даже если она выглядела полезной при слиянии.
Федеративная схема приблизилась к централизованной
Эксперимент распределял данные между десятью клиентами, из которых в каждом раунде участвовали 30%. Проверка охватила GPT-5.4-mini, Qwen3.5-flash и Gemini3-flash на SearchQA, LiveMath и DocVQA. Основной метрикой стала доля тестовых заданий, которые агент решил успешно.
FedSkillGit сравнили с централизованным обновлением на объединённых данных, работой без документа навыка, независимым развитием навыка у каждого клиента и DocMerge. Последний вариант собирает готовые документы клиентов одним вызовом серверного оптимизатора, но не исправляет неудачное слияние в следующих раундах.
FedSkillGit обошёл независимое обновление во всех сочетаниях моделей и наборов данных, а максимальный разрыв составил 10,1 процентного пункта. От централизованного варианта его отделяло 0,8 пункта по медиане. DocMerge также уступил во всех сочетаниях, поэтому результат связан не только с совместным доступом к опыту, но и с последовательным отбором небольших изменений.
Работа проверяет один общий навык для похожих задач с неодинаковым распределением примеров между клиентами. Она не исследует персональные версии навыка для подразделений с разными целями. Проверка приватности также ограничена тем, как пакеты проходят встроенный аудит, а не внешними атаками на опубликованные правки.
Когда протокол стоит закладывать в архитектуру
FedSkillGit меняет план системы, если агенты работают у нескольких владельцев данных, но должны следовать общим правилам. Вместо хранилища полных локальных документов понадобится реестр именованных правил, история адресных изменений и отдельный служебный документ с принятыми и отвергнутыми идеями.
Для публикации версии нужен автоматический показатель успеха и локальный контрольный набор у каждого участника. Если результат задачи нельзя надёжно проверить, серверу нечем решить, улучшила ли совокупность правок общий навык. Простого LLM-агента, который выберет убедительно звучащий текст, протокол не предусматривает.
На стороне клиента также придётся запускать исполнителя, оптимизатор, средство обезличивания и проверяющего агента. На сервере работает ещё один агент, который обновляет опыт и объединяет правки. Работа показывает качество этой схемы, но не сравнивает денежную стоимость дополнительных вызовов моделей с пересылкой и слиянием полных документов.
Если данные разрешено объединить, результаты не дают причины заменять более простую централизованную схему. Если каждому клиенту нужна собственная версия поведения, единый общий документ тоже станет ограничением. FedSkillGit стоит рассматривать как основу для прототипа там, где важны общий навык, локальная проверка и запрет на передачу исходных данных, а не как готовый механизм персонализации или формальную защиту от утечек.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
