通过交叉Harness适应进行检索增强技能优化

Agent技能是一种可重用、可操作的自然语言工件，可指导Agent在给定的工具下有效地执行任务。最近的研究探索了Agent技能的优化，有助于收集越来越多的跨不同任务、领域和工具的公开可用技能。尽管有数百万个公开共享的技能，但现有的技能优化方法在很大程度上忽略了这些积累的知识，而是仅仅依靠昂贵的Agentrollout来迭代地完善目标任务的技能。为了解决这个问题，我们提出了 \textbf{检索增强技能优化（RASO）}，这是一个在整个技能优化过程中利用外部技能语料库作为先验知识的框架。 RASO 从现有技能中检索相关知识，并通过跨Harness适应将其适应目标任务和Harness，从而解决领域和Harness中的不匹配问题。 RASO 包括两个互补的阶段：\textbf{检索增强技能初始化（RASI）}构建基于知识的初始技能，无需Agent部署，而 \textbf{检索增强技能更新（RASU）}通过检索执行反馈指导的外部知识来迭代完善技能。在四个智能体基准测试和两个模型中，大量实验表明，在没有检索增强技能初始化和更新的情况下，RASO 始终优于基线。