Ottimizzazione delle skill potenziata dal recupero tramite adattamento tra harness

Abstract degli autori

Una skill per agenti è un artefatto riutilizzabile e operativo, espresso in linguaggio naturale, che guida un agente a svolgere efficacemente un compito in un determinato harness. Studi recenti hanno esplorato l’ottimizzazione delle skill per agenti, contribuendo a una raccolta crescente di skill disponibili pubblicamente per diversi compiti, ambiti e harness. Nonostante i milioni di skill condivise pubblicamente, i metodi esistenti per ottimizzarle trascurano in larga misura queste conoscenze accumulate e si affidano invece soltanto a costose esecuzioni degli agenti per perfezionare iterativamente le skill destinate a un compito specifico. Per affrontare questo limite, proponiamo \textbf{Retrieval-Augmented Skill Optimization (RASO)}, un framework che sfrutta un corpus esterno di skill come conoscenza pregressa durante l’intero processo di ottimizzazione. RASO recupera conoscenze pertinenti dalle skill esistenti e le adatta al compito e all’harness di destinazione tramite Cross-Harness Adaptation, tenendo conto delle differenze sia di ambito sia di harness. RASO comprende due fasi complementari: \textbf{Retrieval-Augmented Skill Initialization (RASI)} costruisce una skill iniziale fondata sulle conoscenze recuperate senza richiedere esecuzioni degli agenti, mentre \textbf{Retrieval-Augmented Skill Update (RASU)} perfeziona iterativamente la skill recuperando conoscenze esterne sulla base dei riscontri ottenuti durante l’esecuzione. Esperimenti approfonditi su quattro benchmark per agenti e due modelli mostrano che RASO supera sistematicamente i metodi di riferimento privi di inizializzazione e aggiornamento delle skill potenziati dal recupero.