知识即技能：LLM 代理自主使用知识库的结构设计

检索增强生成 (RAG) 使大型语言模型 (LLM) 能够访问外部知识，但其传统的检索-连接-生成管道代表模型做出检索决策。随着工具使用和代理循环变得更加可靠，代理可以决定是否检索、检查什么以及何时停止。这种转变暴露了一个新的瓶颈：代理可能不知道知识库包含什么。传统知识库将文档公开为匿名文本块，其中有关范围、目的、出处或关系的信息有限。我们提出“知识即技能”，这是一种使知识库可发现、可导航和自我描述的组织方案。它有三层：以这个http URL为中心的发现层；导航层，每个目录都有一个此 http URL；知识层包含带有 YAML frontmatter 的主题、类型、出处和生命周期的文档。设计遵循开放知识格式（OKF）和技能协议，无需修改代理框架。我们还提供知识即技能，这是一个将异构的 PDF、Word 文件、Web 导出和笔记集合转换为这种结构的管道。在对 WixQA 企业客户支持基准的初步评估中，我们的设置获得了 0.889 事实性和 0.816 上下文回忆，而报告的 Corpus2Skill 值为 0.767 和 0.708。它获得了稍低的忠实度、较低的上下文精度和更多的交互次数。由于模型、提示和知识包构建不同，这些结果是定向交叉工作证据，而不是受控比较。