skill-retrieval

论文提出了SPEM，一个面向LLM智能体的结构感知程序性记忆框架，将原子技能记忆与Skill-DAG模板及Skill-GNN检索相结合，在ALFWorld上取得87.1%的成功率，在SkillsBench上获得38.38%的奖励，同时降低了token消耗和运行时开销。

AACL-IJCNLP 2026 Findings 论文表明，经典词法检索（BM25 加上一个小型交叉编码器）在 4 种场景中的 3 种上与智能体式技能检索持平甚至更优，而成本仅约为后者的一半，因此作者主张智能体式检索应作为备选方案而非默认方案。

论文引入了检索调用实际使用效果（RAE）来评估检索到的技能是否真正帮助LLM智能体，显示聚合指标可能会通过隐藏对特定任务的负面影响而产生误导。

本文介绍了 SkillZip，一种契约保持的图压缩框架，它在章节级别压缩智能体技能库，在保留过程性契约和依赖闭包的同时，提高了检索和压缩效率。

SkillSight 是一个无需训练的检索框架，它校准技能描述中的共享背景，以提高 LLM 代理的技能检索准确性，相比于密集检索器，Recall@10 最多提升 20.21 个百分点。

提出SkillReranker，一个推理时重排序框架，通过分解任务和技能来构建有向无环执行图，并使用交叉编码器进行评分，从而提升智能体技能选择的任务性能和效率。

本文提出了 Group of Skills (GoSkills)，这是一种检索方法，通过将原子技能组织为带有角色标签的执行上下文，从而在有限的上下文预算内提升智能体的性能。

本文提出了 SkillRet，这是一个用于评估 LLM 智能体技能检索的大规模基准，旨在解决从大型技能库中选择相关技能的挑战。该基准提供了包含超过 17,000 项技能的 dataset，并证明针对特定任务的微调能显著提升检索性能。