跳到正文
arXiv cs.AI· \"Omer Faruk Akg\"ul, Shuli Jiang, Yuting Zhang, Yi Zhang, Xiaohan Fei, Wei Xia, Stefano Soatto·· 4 小时前AI 评分39

当 Agent 技能过时:动态环境下的运行时行为与选择性维护

When Agent Skills Go Stale: Runtime Behavior and Selective Maintenance in Evolving Environments

AI 导读

环境变化后,原本有效的 Agent 技能可能使任务性能下降超 10 个百分点,或让执行成本增加近 40%。研究提出选择性维护方法,无需额外模型调用即可重放成功执行中的检查,验证观测差异是否与技能状态冲突并修复受影响内容,相比复用陈旧状态最多提升任务准确率 67pp、减少执行步骤 37%。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:智能体技能利用过往经验和当前观察来指导相关任务的决策与行动。这些经验保留在技能状态中,其复用可以摊薄推理时的推理开销和环境交互。当环境发生变化时,状态中的部分内容可能过时,而其他部分仍然有用。在四种任务设置和两个模型上,我们比较了环境变化前后技能复用的效果。与不使用技能相比,先前有益的技能可能使任务性能下降超过 10 个百分点,或使执行成本增加近 40%。任务成功率也可能保持不变,而执行节省却下降。这些影响取决于哪些环境特定细节变得过时,以及智能体利用当前观察进行补偿的能力。我们引入了选择性维护,它重放成功执行中的检查,无需额外的模型调用。它验证观察到的差异是否与技能状态冲突,修复受影响的内容,并验证更新,当局部修复不足时进行重建。不提供关于变化的描述。相对于复用陈旧状态,维护将任务准确率最多提高 67 个百分点,并将执行步骤最多减少 37%。这些结果表明,要在环境演变中保持技能的推理时间价值,需要选择性地维护其状态。
学科: 人工智能(cs.AI);计算与语言(cs.CL)
引用为: arXiv:2611.22525 [cs.AI]
  (或 arXiv:2611.22525v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22525

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Ömer Faruk Akgül [查看电子邮件]
[v1] 2026年11月17日星期二 10:18:46 UTC(656 KB)

来源:arXiv cs.AI · arxiv.org