כתבה
arXiv cs.AI ·
כרטיסי מסגרת עד-החלטה: תאוריית-ההשלכות השראה ובחירת-תצוגה-מקוצרת לסוכני-LLM
Decision-Aware Memory Cards: Counterfactual-Inspired Context Selection and Compression for Tool-Using LLM Agents
כרטיסי מסגרת עד-החלטה לסוכני-LLM: תאוריית-ההשלכות השראה ובחירת-תצוגה-מקוצרת. פיתוח שכבה חדשה למדידה, דירוג והקצצה של תצוגה-חשובה-עד-החלטה לסוכני-LLM. קוד זמין ב-GitHub.
תקציר מקורי באנגליתarXiv:2606.08151v3 Announce Type: replace Abstract: Modern large language model (LLM) agents do not simply need longer contexts; they need decision-relevant evidence at the moment of action. We study decision-aware context selection: ranking retrieved files, tests, traces, rules, and memories by their expected effect on an agent's next action rather than by semantic similarity alone. We present the Counterfactual-Inspired Context Layer (CICL), which builds an instance context graph, estimates decision-oriented utility for candidate units, and compresses selected evidence into typed memory cards. The same schema can be instantiated with hosted LLM judges, local surrogates, or lightweight rankers, making the selection protocol auditable across model choices. On 50 SWE-bench Verified file-ret
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית