Oltre il recupero delle prime $k$ skill: instradamento delle skill attento alla diversità per gli agenti LLM

Abstract degli autori

Gli agenti basati su modelli linguistici di grandi dimensioni (LLM) si affidano sempre più a skill esterne, ma instradare le richieste degli utenti tra ampi cataloghi di skill è difficile: molte skill sono funzionalmente ridondanti, mentre i compiti complessi richiedono spesso insiemi di skill complementari. I sistemi esistenti di instradamento delle skill, in genere, classificano i candidati singolarmente in base alla pertinenza rispetto alla query, rischiando così di sprecare spazio nel contesto con skill ridondanti. Proponiamo Diverse Skill Routing (DSR), un metodo di reranking attento alla diversità che usa un processo puntuale determinantalistico per bilanciare pertinenza e assenza di ridondanza. DSR introduce un kernel di diversità basato sul residuo della query, che penalizza la sovrapposizione tra skill ridondanti riducendo al tempo stesso le penalizzazioni dovute soltanto alla pertinenza condivisa rispetto alla query. Sul benchmark SkillRouter, DSR migliora il richiamo e la copertura completa rispetto a una solida baseline di reranking che valuta i candidati singolarmente, con progressi maggiori per le query che richiedono più skill. Questi risultati suggeriscono che l’instradamento delle skill vada trattato non solo come una classificazione per pertinenza, ma anche come una selezione di insiemi complementari.