ArchOR用结构签名与保基线仲裁改进优化建模技能检索

大型语言模型（LLM）能够把自然语言描述的优化任务转化为经求解器检验的答案，但当前智能体在题意被改写时仍较脆弱，并且往往按单个实例存储可复用经验。我们提出 ArchOR，一种以问题结构原型为中心的技能智能体，在 OptSkills 基础上增加两个面向检索的模块。“质心感知表示学习”（CARL）通过低秩原型残差优化缓存技能表示的排序。“结构签名引导检索”（S³R）为技能附加开放维度的结构签名，按加权 Jaccard 重叠度确定候选优先级，并把语义重排序限制在前 K 个候选中。一项保留基线表现的仲裁规则决定何时用结构检索路线替代原选择器。在使用相同的 DeepSeek-V4.1-Flash 骨干和已发布技能库时，ArchOR 在五个基准上的微平均 Pass@1 达到 65.00%，比 OptSkills 的微平均和宏平均分别提高 1.64 和 2.68 个百分点。