arXiv cs.CL· Peter Baile Chen, Geoffrey X. Yu, Xinming Liu, Samuel Madden, Dan Roth, Jacob Andreas, Doug Downey, Michael Cafarella·· 10 天前AI 评分32
ExperienceIndex：面向 AI 智能体的工件锚定记忆层
ExperienceIndex: Artifact-Grounded Memory
AI 导读
针对 AI 智能体缺乏工件级经验记忆的问题，研究者提出 ExperienceIndex，一种基于历史推理轨迹捕获并复用工件知识的经验层，存储单工件经验与工件对经验两种形式，并以轻量中间件方式通过经验检索引导智能体定位相关工件。在多种语料与不同搜索框架的智能体方案上，该方法将答案质量最高提升 11.0 分，在线美元成本最高降低 50.5%，并展现出跨任务泛化与教师-学生学习两项能力。
正文 · AI 翻译
摘要：知识密集型任务需要通过推理一个共享的工件语料库（例如法庭案件或科学文献）来回答许多问题。当人类与这些语料库交互时，他们会自然地积累关于工件的经验知识，从而能够快速识别每个新任务的完整相关工件集合。然而，现有的 AI 智能体缺乏合适的记忆解决方案来构建或复用这种基于工件的经验，导致答案质量较低且在线成本较高。现有的记忆解决方案从先前的任务求解轨迹中提取和复用信息，但它们主要关注用户偏好、事实属性或抽象推理模式，而非持久的工件特定知识。我们提出了 ExperienceIndex，一种新颖的 AI 智能体经验层，它基于先前的推理轨迹捕获并复用关于工件的知识。ExperienceIndex 存储两种互补形式的经验：(i) 单工件经验，用于总结某个工件对先前任务的贡献；(ii) 工件对经验，用于编码在过往推理中发现的结构关系。ExperienceIndex 作为轻量级中间件集成，使用经验检索机制引导智能体为新任务找到完整的相关工件集合，从而提高答案质量和效率。在多样化的语料库和具有不同搜索框架的智能体解决方案中，ExperienceIndex 带来了一致的收益，将答案质量提升最多 11.0 分，并将在线美元成本降低最多 50.5%。我们进一步展示了两个优势：(i) 跨任务泛化，即从文本到 SQL 任务中积累的经验可迁移到同一工件语料库上的事实型问答任务；(ii) 教师-学生学习，即来自更强模型的经验使较弱模型能够达到相当的性能。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；信息检索（cs.IR）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.10091 [cs.CL] |
| （或 arXiv:2610.10091v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.10091 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Peter Baile Chen [查看电子邮件]
[v1]
2026年10月7日星期三 13:50:33 UTC（483 KB）
来源：arXiv cs.CL · arxiv.org