arXiv cs.CL· Jia Tong, Senyou Deng, Min Peng, Jianfeng Pan·· 3 天前AI 评分26
AtomSearch：基于证据的树搜索优化智能体技能
AtomSearch: Evidence-Grounded Tree Search for Agent Skill Optimization
AI 导读
AtomSearch 通过对比式原子编辑与技能状态树搜索（STS）优化智能体技能，在四个任务和五个目标模型上完成评测。使用 deepseek-v4-flash 时，它在四个任务中的三个上超过 SkillOpt，其中 LiveMathematicianBench 提升 9.68 个百分点，且 SkillOpt 最终技能字符数是其 2.3-19.7 倍。
正文 · AI 翻译
摘要：Agent 技能通过可编辑的外部指令来适配冻结模型。一次性修改多条规则会使变更难以检查，而仅凭即时得分来评判每一次局部编辑，又可能丢弃有用的中间状态。我们提出 AtomSearch，它在保持修订动作局部性的同时，利用后续的技能状态来引导搜索。对比式原子编辑将每一次原始规则编辑与失败和成功的执行、一个行为假设以及一个预期作用范围关联起来。技能状态树搜索（STS）评估简短的编辑组合，并有选择地将它们保留为可执行状态，以便后续重新访问和扩展。结果记忆为后续提议提供观察到的修复与回归统计数据。我们在四个任务和五个目标模型上评估 AtomSearch。在 deepseek-v4-flash 上，它在四个任务中的三个上超过 SkillOpt，包括在 LiveMathematicianBench 上提升 9.68 个百分点，而 SkillOpt 的最终技能包含的字符数是其 2.3 至 19.7 倍。在 67% 的已完成搜索中，最佳验证状态会经过一个在其所在深度并非最高分的祖先状态。这些结果表明，局部规则编辑如何能够支持对有用修订路径的探索并产生紧凑的技能，同时我们还使用额外的离线评估来探索替代状态。
| 评论： | 15 页，5 幅图，5 张表 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.19951 [cs.CL] |
| （或使用 arXiv:2610.19951v1 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.19951 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jia Tong [查看电子邮件]
[v1]
2026 年 10 月 14 日星期三 10:33:30 UTC（244 KB）
来源：arXiv cs.CL · arxiv.org