컨텍스트 인식 에이전트 기술 검색

Field Aware Agent Skill Retrieval

지속적인 학습을 수행하는 에이전트가 시간이 지남에 따라 축적하는 기술 목록이 증가함에 따라, 올바른 기술을 검색하는 것은 점점 더 중요한 병목 현상이 됩니다. 현재 대부분의 기술 검색 방법은 각 기술을 이름, 설명 및 본문과 같은 필드를 연결하여 하나의 평면적인 문서로 취급합니다. 그러나 기술은 자연적으로 구조화된 다중 필드 객체이며, 각 필드는 해당 기술이 언제 어떻게 사용되어야 하는지에 대한 서로 다른 정보를 제공합니다. 이 연구에서는 이러한 구조를 유지하는 것이 기술 검색 성능 향상에 도움이 되는지 조사합니다. 우리는 각 기술을 개별 구성 요소로 표현하고, 각 필드에 대해 독립적으로 희소 및 밀집 유사도를 계산하여 기술 목록의 자연스러운 텐서화된 컨텍스트 인식 표현을 생성합니다. 그런 다음 이러한 필드 수준 점수를 균일한 가중치 또는 작은 학습 MLP(Multilayer Perceptron)를 사용하여 결합합니다. SkillRet 및 SRA-Bench라는 두 가지 다른 기술 검색 벤치마크에서, 필드를 분리하여 유지하면 하이브리드 검색 성능이 향상되는 것을 확인했습니다. 또한, 필드 수준 점수에 대한 학습은 가장 강력하고 일관된 결과를 제공합니다. 우리의 컨텍스트 인식 MLP는 SkillRet에서 77.95의 Recall@10을, SRA-Bench에서 83.78의 Recall@10을 달성하여 해당 연결 방식으로 학습된 기본 모델보다 우수한 성능을 보였습니다. 또한 기술 목록의 크기가 커질수록 성능 향상 효과가 증가하는 것을 확인했으며, 이는 컨텍스트 인식 기술 검색이 검색이 가장 어려운 환경에서 특히 유용함을 시사합니다. 우리의 연구 결과는 기술 표현 자체가 중요하다는 점과, 기술 파일에 이미 존재하는 구조를 단순히 유지하는 것만으로도 검색 성능을 크게 향상시킬 수 있다는 점을 보여줍니다.

As lifelong learning agents accumulate lifelong growing skill banks, retrieving the correct skill becomes an increasingly important bottleneck. Most current skill retrieval methods treat each skill as one flat document by concatenating fields such as the name, description, and body. However, skills are naturally structured, multi-field objects, where each field provides different information about when and how the skill should be used. In this work, we study whether preserving this structure improves skill retrieval. We represent each skill as its separate components, and compute sparse and dense similarities for each field independently, exposing a naturally tensorized, field-aware representation of the skill bank. We then combine these field-level scores either with uniform weights or with a small learned MLP. Across two different skill retrieval benchmarks, SkillRet and SRA-Bench, we find that keeping fields separate improves hybrid retrieval, and learning over the field-level scores gives the strongest and most consistent results. Our field-aware MLP reaches $77.95$ Recall@10 on SkillRet and $83.78$ Recall@10 on SRA-Bench, outperforming the corresponding concatenated learned baselines. We also find that the advantage grows as the skill bank becomes larger, suggesting that field-aware skill retrieval becomes especially useful in the setting where retrieval is most difficult. Our results show that skill representation itself matters, and that simply preserving the structure already present in skill files can substantially improve retrieval.