研究人员开发了 SkillPager，这是一个新颖的两阶段框架，旨在提高大型语言模型 (LLM) 代理在处理长篇程序性文档时的效率。SkillPager 将技能文档解析为语义节点，并使用最大边际相关性 (MMR) 进行条件查询的节点选择，在保持高上下文充分性的同时显著减少了 token 使用量。这种方法表明，效率的提高主要归因于节点的类型化语义粒度，而不是检索算法本身，其性能比基于图的基线提高了 12% 以上。研究结果强调了类型化文档内检索对于基于技能的代理是一个关键挑战。 AI
影响 提高了 LLM 代理处理复杂文档的效率，可能改善面向任务型应用的性能。
排序理由 该集群包含一篇详细介绍 LLM 代理新方法的学术论文。
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 →
arXiv:2606.00822v1 Announce Type: cross Abstract: Skill-based LLM agents increasingly rely on long procedural documents, but full-document prompting wastes tokens and dilutes information critical to execution. We study this setting as intra-skill retrieval, where the goal is to s…
Skill-based LLM agents increasingly rely on long procedural documents, but full-document prompting wastes tokens and dilutes information critical to execution. We study this setting as intra-skill retrieval, where the goal is to select a minimal, execution-sufficient context from…