ERSkill: Recupero di Memoria Guidato da Competenze Auto-Evolventi per Agenti LLM
Un recente articolo di ricerca presenta ERSkill, un framework incentrato sul recupero che mira a migliorare le funzioni di recupero della memoria degli agenti basati su Large Language Model (LLM). Questo framework considera i meccanismi di recupero come elementi adattabili, superando le sfide poste dai metodi statici che difficilmente gestiscono query di memoria eterogenee. ERSkill organizza le storie di interazione in un repository di memoria ben strutturato e definisce le azioni di recupero come competenze eseguibili composte da componenti di base. Durante l'inferenza, un router addestrato allinea dinamicamente ogni query con la competenza più adatta, generando prove personalizzate per le risposte. Un trie di esperienza viene utilizzato per registrare efficacemente i percorsi di recupero esplorati, facilitando il miglioramento continuo attraverso la co-evoluzione del router e del set di competenze durante l'addestramento. L'articolo è disponibile su arXiv con l'identificatore 2608.12720.
Fatti principali
- ERSkill è un framework incentrato sul recupero per l'accesso alla memoria guidato da competenze auto-evolventi negli agenti LLM.
- Affronta il problema dei meccanismi di recupero statici che limitano le prestazioni su query di memoria eterogenee.
- Il framework compila le storie di interazione in un archivio di memoria strutturato.
- I comportamenti di recupero sono rappresentati come competenze eseguibili composte da primitive fondamentali.
- Un router addestrato abbina dinamicamente ogni query alla competenza ottimale al momento dell'inferenza.
- Il framework co-evolve il set di competenze e il router durante l'addestramento.
- Un trie di esperienza viene utilizzato per registrare in modo efficiente i percorsi di recupero esplorati.
- L'articolo è disponibile su arXiv con l'identificatore 2608.12720.
Entità
Istituzioni
- arXiv