探索信息获取智能体的整合

信息寻求代理已成为解决知识密集型任务的强大范例。现有的信息查找代理通常专门用于开放网络、文档或本地知识库，这限制了可扩展性和跨域泛化。在这项工作中，我们研究如何将异构信息搜索代理整合到单个基础代理模型中。我们研究了两种互补的整合策略：数据级整合（在特定领域数据集的混合上联合训练统一模型）和参数级整合（在参数级合并独立训练的代理模型）。我们的分析从性能保留、跨域泛化和信息搜索行为干扰方面对这些方法进行了比较。我们的结果表明，数据级整合仍然是强大而稳定的基线，而参数级整合提供了一种有前途、高效的替代方案，但面临干扰和鲁棒性挑战。我们进一步确定了参数级别有效代理整合的关键设计因素，包括细粒度的合并粒度、任务异构性意识和有原则的共识策略。