新框架RASO利用外部技能库优化智能体技能
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对现有智能体技能优化仅依赖高成本试错而忽视海量公开技能的问题，研究提出RASO框架。该框架通过跨适配调整机制，从外部技能语料库检索相关知识并迁移至目标任务，解决领域与适配器不匹配问题。其包含两阶段：无需试错的检索增强技能初始化（RASI），以及依据执行反馈检索外部知识进行迭代优化的检索增强技能更新（RASU）。在四个智能体基准与两个模型上的实验表明，该框架持续优于无检索增强的基线方法。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载技能优化痛点与RASO提出
智能体技能是指导其在特定适配器下有效执行任务的可复用自然语言制品。当前技能优化方法面临显著痛点：尽管已有数百万公开共享技能涵盖多任务与领域，现有方法却忽视这些积累知识，仅依赖高成本的智能体试错来迭代精炼目标技能。为解决此问题，研究者提出检索增强技能优化（RASO）框架，核心思路是在整个优化过程中引入外部技能语料库作为先验知识，从而避免从零开始的昂贵试错探索。
跨适配调整与两阶段机制
由于检索到的外部技能与目标任务在领域和适配器上常存在不匹配，RASO引入了跨适配调整机制来实现知识迁移。该框架由两个互补阶段构成：第一阶段为检索增强技能初始化（RASI），通过检索并调整相关技能构建基于知识的初始技能，此过程无需任何智能体试错；第二阶段为检索增强技能更新（RASU），在执行反馈的引导下检索外部知识，对技能进行迭代精炼，确保优化方向与实际执行表现对齐。
实验表现与有效性验证
为验证RASO框架的有效性，研究者在四个不同的智能体基准测试和两个模型上进行了广泛实验。结果表明，相较于不具备检索增强技能初始化与更新机制的基线方法，RASO均展现出持续且一致的性能提升。这证实了在技能优化过程中引入外部技能库检索以及跨适配调整机制，能够显著提升智能体技能的优化效率与最终质量。
为什么值得看
引入检索增强与跨适配机制，免除了高成本试错初始化，为智能体技能优化提供高效复用路径。
智能体
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。