Dall’accesso alla conoscenza all’apprendimento dalle fonti: sviluppare competenze specifiche su una fonte

Abstract degli autori

Gli agenti basati su modelli linguistici di grandi dimensioni (LLM) si affidano sempre più a fonti esterne persistenti per risolvere sequenze di compiti che richiedono conoscenze approfondite. I metodi esistenti migliorano l’accesso ai contenuti delle fonti e la loro organizzazione, mentre i sistemi di memoria per agenti conservano le conoscenze riutilizzabili acquisite nelle interazioni precedenti. Tuttavia, l’uso ripetuto della stessa fonte è ancora considerato perlopiù come una ripetizione dell’accesso, anziché come un’occasione per comprenderla progressivamente meglio. Studiamo l’apprendimento della fonte: lo sviluppo di una competenza riutilizzabile, specifica per una fonte autorevole persistente. Rappresentiamo questa competenza con un modello persistente della fonte, che ne coglie gli aspetti riutilizzabili, tra cui il modo in cui le sue conoscenze sono strutturate, interpretate e applicate. Per costruire e perfezionare progressivamente questi modelli, proponiamo SourceLearn, che combina due meccanismi di apprendimento complementari. Self-Directed Source Learning individua ciò che non è ancora pienamente compreso e torna ad analizzare la fonte in modo adattivo; Task-Guided Source Learning usa invece l’esperienza acquisita nei compiti a valle per mettere in luce lacune locali nella rappresentazione e necessità ricorrenti nell’organizzazione delle conoscenze della fonte. In entrambi i casi, i segnali di apprendimento determinano che cosa debba essere riesaminato, mentre gli aggiornamenti persistenti vengono ricostruiti a partire dalla fonte autorevole. Su cinque benchmark e tre backend LLM, SourceLearn ottiene le prestazioni migliori in 13 delle 15 configurazioni, con guadagni fino a 22,6 punti rispetto a Hybrid RAG e miglioramenti complessivi sostanziali rispetto alle rappresentazioni statiche delle fonti e ai metodi di riferimento basati sulla memoria delle esperienze.