论文页面 - CaSKG：面向智能体技能可扩展检索的反事实因果技能图

来源：https://huggingface.co/papers/2608.25500

摘要

CaSKG通过构建反事实因果图来校准程序性技能关系，从而改进大语言模型智能体的紧凑、可执行检索。

可复用的技能库使大语言模型（LLM）智能体能够跨任务复用程序性知识（https://huggingface.co/papers?q=procedural%20knowledge），但这也将内存访问转化为一个具有挑战性的检索问题。全库提示虽然保持了覆盖范围，但上下文成本高昂；向量检索返回紧凑的邻域，但将技能视为独立文本；图检索则仅在承载相关性的边可靠时才能恢复工作流上下文。我们提出了CaSKG，一个反事实因果技能图（https://huggingface.co/papers?q=counterfactual-causal%20skill%20graph）框架，在检索前校准程序性关系。CaSKG首先基于语义、词汇、输入/输出和结构证据构建一个高召回率的有向候选图（https://huggingface.co/papers?q=directed%20candidate%20graph），并通过修复证据和可选的LLM评判器进一步细化候选分数。然后，它应用基于方向条件的文本反事实探测（https://huggingface.co/papers?q=textual%20counterfactual%20probes），移除、替换和重排技能对，使用贝叶斯平滑（https://huggingface.co/papers?q=Bayesian%20smoothing）聚合证据，并发布一个状态过滤的加权图（https://huggingface.co/papers?q=state-filtered%20weighted%20graph）用于任务条件扩展。该图离线构建，使用时不改变下游智能体策略或任务接口。在ALFWorld ID-140和ScienceWorld U211上跨六个LLM骨干网络的实验中，CaSKG在所有十二个模型与基准的组合中均取得了最高的任务得分。相对于图技能（GoS），它将六个模型在ScienceWorld上的宏平均分从72.62提升至80.50，将ALFWorld的成功率从80.01%提升至86.79%，同时减少了两个基准上的平均环境步数。定性和消融分析进一步表明，校准后的边有助于检索保留先决条件、状态改变动作、验证例程和最终完成步骤。这些结果表明，边置信度校准是实现大规模紧凑且可执行技能检索（https://huggingface.co/papers?q=skill%20retrieval）的有效途径。代码可用地址：https://github.com/ZhiyuanLi218/Caskg \。

查看arXiv页面 (https://arxiv.org/abs/2608.25500) 查看PDF (https://arxiv.org/pdf/2608.25500) GitHub0 (https://github.com/ZhiyuanLi218/Caskg) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.25500)

在你的智能体中获取此论文：

hf papers read 2608\.25500

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型的README.md中引用 arxiv.org/abs/2608.25500 以从本页面链接它。

引用此论文的数据集0

没有数据集链接此论文

在数据集的README.md中引用 arxiv.org/abs/2608.25500 以从本页面链接它。

引用此论文的Spaces0

没有Space链接此论文

在Space的README.md中引用 arxiv.org/abs/2608.25500 以从本页面链接它。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页面链接它。