Skill Retrieval Augmentation for Agentic AI
论文基本信息¶
- 作者: Weihang Su, Jianming Long, Qingyao Ai
- 方向: 技能检索、Agentic AI
- 应用: LLM Agent 工具调用、任务规划
研究背景与问题¶
随着 LLM 进化为智能体问题求解器，它们越来越依赖外部可复用的技能来处理超出参数能力范围的任务。现有 Agent 系统中，主流策略是将可用技能枚举在上下文窗口中。但这一策略在技能语料库扩大时失效：上下文预算被迅速消耗，Agent 在识别正确技能方面的准确性显著下降。
核心方法¶
本文提出了技能检索增强方法：
- 外部技能库：将技能从上下文窗口外部化到可检索的知识库
- 动态技能检索：根据任务需求动态从技能库中检索相关技能
- 可扩展架构：打破上下文长度限制，支持大规模技能管理
核心贡献¶
- 解决上下文长度限制问题：通过外部检索而非枚举的方式管理技能
- 提升技能选择准确性：在技能库规模扩大时仍保持高准确性
- 通用可扩展框架：适用于各类 Agentic AI 系统
为什么重要¶
随着 Agent 系统变得越来越复杂，技能数量持续增长。Skill Retrieval Augmentation 直接解决了上下文窗口的扩展性瓶颈，是构建大规模 Agent 系统的关键技术。
与端侧/移动端的相关性¶
端侧 Agent 往往受限于计算资源和上下文长度。外部技能检索架构使得端侧 Agent 能够在有限资源下访问大规模技能库，对移动端智能助手具有重要价值。
参考文献¶
- 原文: arXiv:2604.24594