隐式偏好的统计先验：解耦本地个人智能体的技能选择

随着大型语言模型 (LLM) 功能的进步，依赖基于 API 的远程模型和外部技能的本地部署个人代理已成为一种新颖的范例。随着可用技能的快速扩展，使个人代理能够学习并适应隐含的用户偏好成为一项严峻的挑战。然而，本地部署的限制阻碍了复杂的集中式选择算法，因此迫切需要轻量级的本地偏好工具。本文通过一种新颖的架构探索了这种工具的实现，该架构将统计偏好学习与语义意图解析严格分离。具体来说，我们利用本地化的统计结果来影响和调整远程大语言模型的选择决策。广泛的评估表明，我们的解耦方法实现了最低的累积遗憾和最高的测试准确性，显着优于传统的记忆增强代理。