Les auteurs présentent DisCo, un agent de recherche alimenté par des compétences conçu pour combler le manque de connaissances opérationnelles en condensant le savoir-faire spécifique au domaine à partir de sources externes. Le système condense les dépôts d'apprentissage automatique largement utilisés en compétences réutilisables et vérifiées grâce à deux formes complémentaires : une distillation agnostique aux tâches pour une utilité large et une distillation orientée tâche pour des besoins spécifiques.

  • DisCo génère la bibliothèque AREX-Skill, contenant plus de 5 000 compétences vérifiées condensées à partir de 1 000 dépôts ML couvrant 20 domaines et 178 familles de capacités.
  • Associé à un socle GPT-5.5 et à un budget d'exécution fixe, l'agent équipé de compétences surpasse la ligne de base sans compétences de 134,3 % sur MLE-bench, de 34,4 % sur PaperBench, de 9,2 % sur FrontierCS et de 14,0 % sur PassNet.

Ces résultats démontrent que l'ajout d'un contexte opérationnel condensé permet aux agents autonomes de réutiliser les connaissances entre les tâches plutôt que de les redécouvrir à chaque exécution.