CaSKG：面向可扩展智能体技能检索的反事实因果技能图
CaSKG是一种改进大语言模型智能体检索可复用程序性技能的框架。它首先利用语义、词法、输入输出和结构等信号构建高召回率的有向候选图，然后通过删除、替换和重排技能对的反事实测试来校准边的相关性。生成的加权图可在不改变智能体策略或任务接口的情况下，实现紧凑且面向任务的技能扩展。在ALFWorld和ScienceWorld上对六种大语言模型进行评测时，CaSKG在全部12种模型与基准组合中取得最高任务得分。与Graph-of-Skills相比，ScienceWorld宏平均得分从72.62提升至80.50，ALFWorld成功率从80.01%提升至86.79%，同时减少了平均环境步数。代码已在GitHub上开源。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。