研究人员引入了 Enrich-Retrieve-Rank (ERR) 管道，以改进大型代理生态系统中的能力发现。该方法解决了上下文路由的局限性，当组件（模型、代理、工具和技能）数量增长到数千个时，上下文路由会陷入困境。ERR 包括一个离线丰富步骤，用于从元数据创建可搜索的配置文件，以及一个在线检索然后排序的过程，以有效地返回排名靠前的能力列表。与传统的上下文路由方法相比，该管道在性能和成本效益方面均有显著提高，尤其是在大规模应用中，并且已作为多代理平台的核心组件投入生产。 AI
影响 该管道可以实现更高效、可扩展地发现复杂 AI 系统中的工具和代理，从而提高其整体功能。
排序理由 该集群包含一篇详细介绍 AI 系统新技术方法的论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.22695v1 Announce Type: cross Abstract: Agent ecosystems now include thousands of MATS components (Models, Agents, Tools, and Skills), yet their discovery still relies on in-context routing. These systems read a registry (names, hints, or descriptions, as context budget…
Agent ecosystems now include thousands of MATS components (Models, Agents, Tools, and Skills), yet their discovery still relies on in-context routing. These systems read a registry (names, hints, or descriptions, as context budget permits), pick a candidate, invoke it, and retry …