论文页面 - 通过跨 Harness 适配的检索增强技能优化

来源：https://huggingface.co/papers/2609.38024 作者：

,

,

,

,

,

,

,

,

,

摘要

Agent 技能（Agent Skill）是一种可复用、可操作的自然语言工件，用于引导 agent 在给定的 harness 下高效执行任务。近期的研究探索了 agent 技能的优化方法，促成了一个不断增长的公开技能集合，涵盖多样的任务、领域和 harness。尽管公开共享的技能已达数百万之多，现有技能优化方法在很大程度上忽略了这些积累的知识，而是仅依赖代价高昂的 agent rollout 来为特定任务迭代改进技能。为此，我们提出了 Retrieval-Augmented Skill Optimization（RASO），一个在整个技能优化过程中利用外部技能语料库作为先验知识的框架。RASO 从现有技能中检索相关知识，并通过 Cross-Harness Adaptation 将其适配到目标任务和 harness，同时兼顾领域与 harness 两方面的不匹配问题。RASO 包含两个互补阶段：Retrieval-Augmented Skill Initialization（RASI）无需 agent rollout 即可构建以知识为基础的初始技能，而 Retrieval-Augmented Skill Update（RASU）则在执行反馈的引导下，通过检索外部知识来迭代改进技能。在四个 agent 基准测试和两个模型上的大量实验表明，RASO 一致优于未采用检索增强技能初始化和更新的基线方法。

查看 arXiv 页面 (https://arxiv.org/abs/2609.38024) 查看 PDF (https://arxiv.org/pdf/2609.38024) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.38024)

引用本论文的模型 0

暂无模型关联本论文

在模型 README.md 中引用 arxiv.org/abs/2609.38024 即可从本页面链接到该论文。

引用本论文的数据集 0

暂无数据集关联本论文

在数据集 README.md 中引用 arxiv.org/abs/2609.38024 即可从本页面链接到该论文。

引用本论文的 Spaces 0

暂无 Space 关联本论文

在 Space README.md 中引用 arxiv.org/abs/2609.38024 即可从本页面链接到该论文。

收录本论文的合集 0

暂无合集收录本论文

将本论文添加到合集 (https://huggingface.co/new-collection) 即可从本页面链接到该论文。