从词汇基线到Agentic RAG：用SFIA提取结构化技能与责任层级

自动技能提取支撑着劳动力规划，但大多数系统将技能表示为平面标签，而没有实践技能的责任级别的概念。信息时代技能框架 (SFIA) 正是抓住了这一维度，定义了跨七个责任级别的 147 项专业技能，但尚未报道针对 SFIA 的基于 LLM 的自动提取。我们将任务形式化为来自自由文本的（技能、水平）对的结构化预测，并提出三个问题：文本映射到 SFIA 封闭词汇表的准确度如何，哪些策略可以可靠地预测技能水平，以及 Agentic 设计是否在更简单的检索和提示方面有所改进？我们根据专家映射的欧洲 ICT 角色概况评估了五种策略（词汇基线、带有 LLM 重新排名的密集检索、零样本模式约束的 LLM、单Agent Agentic RAG 和三Agent检索器 - 匹配器 - 验证器组），所有策略都利用了由我们发布的全自动 Agentic 管道构建的 SFIA~9 语料库。基于检索的匹配可以识别最多的技能，而生成策略则明显更加精确；只有将级别指定为明确决策的策略才能可靠地预测它，而基于相似性的选择的不准确率要高出两倍以上；而且工作人员会在不提高准确性的情况下使延迟加倍，因此增加的Agent角色不会自动有利于封闭分类匹配。这些结果为针对 SFIA 的结构化、水平感知技能提取提供了第一个可重复的基线。