An Agent-Oriented Pluggable Experience-RAG Skill for Experience-Driven Retrieval Strategy Orchestration
本文介绍了经验检索增强生成技能，这是一种面向智能体的可插拔模块，它通过分析任务上下文并查询经验记忆来动态编排检索策略，从而超越固定流程，在多种异构任务中取得具有竞争力的结果。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你是一位主厨（即智能体），正试图根据顾客的订单烹饪一道菜肴。过去，你的厨房有一条严格的规定：无论顾客点的是什么，你总是使用同一把刀和同一块砧板。
如果顾客点了精致的鱼肉，你使用了那把刀；如果他们点了坚韧的牛排，你依然使用同一把刀。有时这能奏效，但往往结果杂乱无章或效率低下。
本文介绍了一种名为经验检索增强生成技能（Experience-RAG Skill）的新工具。请将其视为一位站在你与整个厨房之间的智能副厨，而非一把新刀。
以下是其工作原理的简明说明：
1. 问题：一种方案无法适用于所有情况
作者注意到，不同类型的问题需要不同的答案检索方式。
- 事实性问题（例如：“谁是第一位总统？”）就像切番茄；你需要一把锋利、直接的工具。
- 多跳问题（例如：“执导了那位获得 2020 年奥斯卡奖演员所参演电影的导演是谁？”）就像给鸡去骨；你需要一种更复杂、多步骤的方法。
- 科学问题就像给鱼去刺；它们需要极高的精确度。
旧系统试图对所有这些问题使用一种“固定”的搜索方法。作者指出，这就像用黄油刀切牛排——它无法很好地适用于所有情况。
2. 解决方案：智能副厨
经验检索增强生成技能是一个可插拔的层（就像一个智能助手），位于主智能体与可用搜索工具池（即“检索器池”）之间。
当你向它提出请求时，它会执行以下四步操作：
- 场景分析：它审视请求并问道：“这是什么类型的任务？是简单的吗？是复杂的吗？是科学类的吗？”
- 经验记忆：它查阅一本“过往经验”笔记本。它会记住：“上次我们遇到类似复杂问题时，‘混合搜索’工具效果最好。”
- 策略路由：基于场景和记忆，它从厨房中挑选最佳工具（例如：“使用密集检索器”或“使用混合 RRF"）。
- 封装：它收集证据，并以整洁、有序的方式交还给你，因此你无需担心它是如何被找到的，只需确认它确实被找到了。
3. 结果：更美味的菜肴
作者在三种不同类型的“订单”（数据集）上测试了这位智能副厨：
- 简单的事实性问题。
- 复杂的、多步骤推理问题。
- 科学事实核查。
结果如下：
- 这位智能副厨（经验检索增强生成技能）的表现优于任何单一固定工具。
- 它的表现几乎与目前市场上最先进的“自适应”系统一样好，但有一个关键区别：它将工具选择视为智能体可以学习和使用的可复用技能，而不是将其硬编码进系统的“大脑”中。
4. 局限（不足之处）
本文诚实地指出了它目前尚未做到的事情：
- 厨房规模较小：测试是在一小部分采样食材（文档）上进行的，而非庞大的现实世界图书馆。
- 规则较为简单：目前，“记忆”主要遵循简单规则（例如：“如果是科学类，使用工具 X"）。他们曾尝试让其自主学习，但目前的简单规则效果更好。
- 菜单固定：它只能从厨房中现有的工具中进行选择。它目前还无法即时外出购买新工具。
总结
简而言之，本文主张：与其强迫机器人在每项工作中使用相同的搜索方法，不如赋予它一位智能管理者。这位管理者审视任务，回忆过去的成功经验，挑选合适的搜索工具，并交付答案。这是使智能体更加灵活和高效的一小步，却至关重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。