כתבה
arXiv cs.AI ·
אופטימיזציה של כישורי סוכן על ידי חבירת חצי-הארכה
Retrieval-Augmented Skill Optimization via Cross-Harness Adaptation
אופטימיזציה של כישורי סוכן על ידי חבירת חצי-הארכה ולמידה מחדש עם חיפוש. פרקטיקה חדשה לאופטימיזציה של כישורי סוכן, המשלבת חבירת חצי-הארכה ולמידה מחדש עם חיפוש. הפרקטיקה, המכונה RASO, משלבת שני שלבים: RASI ו-RASU. RASI מבנה כישור ידע-מבוסס ללא צורך בבציעת רולאוטים של סוכן, ו-RASU מעדכן את הכישור על ידי חיפוש ידע חיצוני המונחה על ידי פידבק של תפעול.
תקציר מקורי באנגליתarXiv:2609.38024v1 Announce Type: new Abstract: An agent skill is a reusable, actionable natural-language artifact that guides an agent to perform a task effectively under a given harness. Recent studies have explored the optimization of agent skills, contributing to a growing collection of publicly available skills spanning diverse tasks, domains, and harnesses. Despite millions of publicly shared skills, existing skill optimization methods largely overlook this accumulated knowledge, instead relying solely on expensive agent rollouts to iteratively refine skills for a target task. To address this, we propose \textbf{Retrieval-Augmented Skill Optimization (RASO)}, a framework that leverages an external skill corpus as prior knowledge throughout skill optimization. RASO retrieves relevant
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית