研究提出SourceLearn框架，让智能体渐进学习外部知识源
论文AI 评分 72/100arXiv 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。
当前LLM智能体反复调用同一外部知识源时，仅视作重复访问，未逐步深化理解。研究提出“源学习”概念，通过持久化源模型捕捉知识源的结构、解释与应用方式。提出的SourceLearn框架结合自导向与任务引导两种互补机制：前者自适应重访源以补全未明之处，后者借下游任务暴露表征缺口与组织需求。在5个基准与3个LLM后端上，该框架在15项设置中13项最优，较Hybrid RAG最高提升22.6分，显著优于静态源表征与基于经验的记忆基线。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从知识访问到源学习
大语言模型智能体在处理连续的知识密集型任务时，日益依赖持久的外部知识源。现有方法多聚焦于优化源内容的访问与组织方式，或通过记忆系统保存过往交互的可复用知识。然而，当智能体反复使用同一知识源时，现有机制仅将其视为重复访问，未能将其转化为逐步深化对该源理解的机会。为此，研究提出“源学习”范式，旨在针对持久权威源开发可复用的特定源能力，并以持久化源模型来表征这种能力，涵盖对知识结构的掌握、解释方式及应用逻辑。
SourceLearn双机制协同
为构建并渐进优化源模型，研究提出SourceLearn框架，融合两种互补学习机制。自导向源学习负责识别当前尚未完全理解的部分，自适应地重新访问知识源以获取信息；任务引导源学习则利用下游任务经验，揭示局部表征缺口及源知识组织的反复需求。两种机制均通过学习信号决定需重新考量之处，并从权威源重构持久化更新，从而实现对源模型的自适应与任务驱动双重优化。
实验表现与性能增益
在涵盖五个基准测试与三种大模型后端的评估中，SourceLearn在十五项设置里十三项取得最佳表现。相较于Hybrid RAG基线，其性能增益最高达22.6分。同时，相较于静态源表征方案及基于经验的记忆基线，该框架也取得了实质性的整体提升，验证了渐进式源学习在知识密集型任务中的有效性。
为什么值得看
突破RAG仅检索不学习的局限，让智能体对专属知识源形成可复用的渐进理解，大幅提升知识密集型任务表现。
智能体RAG
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。