SkillRAE：用于检索增强执行的基于代理技能的上下文编译

基于 大语言模型 (LLM) 的代理（例如 OpenClaw）越来越依赖可重用的技能库来解决工件丰富的任务，例如以文档为中心的工作流程和数据密集型分析。随着这些库的发展，一些作品尝试研究检索增强执行（RAE），它通常首先检索一些外部技能和其他知识，然后使用检索到的技能编译上下文，最后执行任务。现有的工作主要集中于优化技能检索和任务执行，而很少关注如何以紧凑、扎实、可立即用于下游执行者完成任务的形式有效地组织选定的技能证据。为了填补这一空白，我们提出了 SkillRAE，这是一种两阶段 RAE 方法，专注于基于技能的上下文编译，由离线和在线阶段组成。具体来说，在离线索引阶段，它构建了一个关于技能社区、技能和可重用子单元的多级技能图，以捕获它们的关系。在在线检索阶段，它首先通过图中的选定子单元证据导出进行技能排名检索，然后应用救援感知紧凑编译来恢复关键证据。这些组件一起将粗排序的技能集编译成紧凑、基础且立即可用的特定于任务的上下文。两个公共基准的实验表明，SkillRAE 比 RAE 的基线有了显着的改进。例如，在SkillsBench上，它比SOTA方法实现了11.7%的改进。消融研究进一步表明，我们的上下文编译至关重要，而不仅仅是即时添加。