面向Agent技能的字段感知检索

随着终身学习智能体不断积累终身增长的技能库，检索正确的技能成为越来越重要的瓶颈。大多数当前的技能检索方法通过连接名称、描述和正文等字段，将每项技能视为一个平面文档。然而，技能是自然结构化的多领域对象，其中每个领域提供有关何时以及如何使用技能的不同信息。在这项工作中，我们研究保留这种结构是否可以提高技能检索。我们将每项技能表示为其单独的组件，并独立计算每个领域的稀疏和密集相似性，从而公开技能库的自然张量化、领域感知表示。然后，我们将这些领域级分数与统一权重或小型学习 MLP 相结合。在两个不同的技能检索基准（SkillRet 和 SRA-Bench）中，我们发现将字段分开可以改善混合检索，并且对字段级别分数进行学习可以提供最强且最一致的结果。我们的现场感知 MLP 在 SkillRet 上达到 $77.95$ Recall@10，在 SRA-Bench 上达到 $83.78$ Recall@10，优于相应的串联学习基线。我们还发现，随着技能库变大，优势也会增加，这表明领域感知技能检索在检索最困难的环境中变得特别有用。我们的结果表明，技能表示本身很重要，并且简单地保留技能文件中已有的结构就可以大大提高检索能力。