論文の概要: SkillPager: Query-Adaptive Intra-Skill Navigation via Semantic Node Retrieval
- arxiv url: http://arxiv.org/abs/2606.00822v1
- Date: Sat, 30 May 2026 17:49:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.866813
- Title: SkillPager: Query-Adaptive Intra-Skill Navigation via Semantic Node Retrieval
- Title（参考訳）: SkillPager: セマンティックノード検索によるクエリ適応型スキル内ナビゲーション
- Abstract要約: SkillPagerは、各スキルをオフラインで型付きセマンティックノードに解析し、グローバルでクエリ条件のノード選択をオンラインで実行するフレームワークである。
395のスキルと1,975のクエリのベンチマークで、SkillPagerは78.89%のLCM-judgedコンテキスト満足度を達成した。
- 参考スコア（独自算出の注目度）: 30.364930691635724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skill-based LLM agents increasingly rely on long procedural documents, but full-document prompting wastes tokens and dilutes information critical to execution. We study this setting as intra-skill retrieval, where the goal is to select a minimal, execution-sufficient context from a known skill document given a query. We present SkillPager, a two-stage framework that parses each Markdown skill into typed semantic nodes offline and leverages Maximal Marginal Relevance (MMR) to perform global, query-conditioned node selection online. On a benchmark of 395 skills and 1,975 queries, SkillPager achieves 78.89% LLM-judged context sufficiency, compared to 82.23% for the exhaustive full-document baseline, while reducing prompt tokens by 47.04%. A granularity ablation shows that applying the same retrieval algorithm to raw fixed-length chunks reaches a comparable 81.77% sufficiency but increases token cost by 28.81%, demonstrating that efficiency gains are driven by typed semantic granularity rather than the retrieval algorithm alone. Among graph-based baselines, SkillPager outperforms the strongest baseline by a margin of 12.16%. Further ablations show that supporting content is most effective when retained in the candidate pool and selected adaptively rather than removed by static heuristics. These results identify typed intra-document retrieval as a distinct access problem for skill-based agents.
- Abstract（参考訳）: スキルベースのLLMエージェントは、長い手続き文書に依存する傾向にあるが、フルドキュメントは無駄なトークンを発生させ、実行に不可欠な情報を希釈する。
我々は,この設定をスキル内検索として検討し,クエリが与えられた既知のスキル文書から,最小限の,実行に十分なコンテキストを選択することを目標としている。
SkillPagerは、Markdownの各スキルをオフラインで型付きセマンティックノードに解析する2段階のフレームワークで、MMR(Maximal Marginal Relevance)を活用して、グローバルでクエリ条件のノード選択をオンラインで行う。
395のスキルと1,975のクエリのベンチマークで、SkillPagerは78.89%のLCM-judgedコンテキスト満足度を達成し、全文書ベースラインで82.23%、プロンプトトークンで47.04%削減した。
粒度アブレーションは、同じ検索アルゴリズムを生の固定長チャンクに適用すると81.77%の精度に達するが、トークンコストを28.81%増加させ、効率向上は検索アルゴリズム単独ではなく、型付きセマンティックグラニュラリティによって引き起こされることを示した。
グラフベースのベースラインの中で、SkillPagerは12.16%の差で最強のベースラインを上回っている。
さらに, 静的ヒューリスティックスによって除去されるよりも, 支持コンテンツが候補プールに保持され, 適応的に選択される場合に最も有効であることが示唆された。
これらの結果は,文書内検索をスキルベースエージェントの個別アクセス問題として認識している。
関連論文リスト
- CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval [20.44841712209369]
CaSKGは、検索前に手続き関係を校正するスキルグラフフレームワークである。
モデルとベンチマークの12つの組み合わせの中で、最も高いタスクスコアを達成します。
論文 参考訳（メタデータ） (2026-08-26T08:12:41Z) - VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。
100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。
強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文 参考訳（メタデータ） (2026-08-18T15:23:06Z) - An Index-based Approach for Efficient and Effective Web Content Extraction [38.40209116782093]
索引に基づくWebコンテンツ抽出について紹介する。
我々はHTMLを構造対応のアドレス可能なセグメントに分割し、あるクエリに関連するコンテンツの位置インデックスのみを抽出する。
本手法は、コンテンツ長からの抽出遅延を分離し、高速なクエリ関連抽出を可能にする。
論文 参考訳（メタデータ） (2025-12-07T03:18:19Z) - MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。
それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。
我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
論文 参考訳（メタデータ） (2025-11-04T18:27:39Z) - Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。
クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。
我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
論文 参考訳（メタデータ） (2025-10-21T13:37:11Z) - Scalable In-context Ranking with Generative Models [38.41016998260796]
In-context Ranking (ICR)は情報検索(IR)の新たなパラダイムである
観測された文書間ブロック間隔をアーキテクチャ的に拡張することで,LLMの注意操作に適応する新しい方法であるBlockRankを紹介する。
BEIR、MSMarco、NQをMistral-7Bで実験したところ、BlockRank Mistralは既存のSOTAリストワイドローダにマッチするか、上回っていることがわかった。
論文 参考訳（メタデータ） (2025-10-06T21:41:58Z) - Cluster-based Adaptive Retrieval: Dynamic Context Selection for RAG Applications [8.946586077722822]
クラスタベースのAdaptive Retrieval (CAR) は、順序付きクエリ文書類似度距離のクラスタリングパターンを分析して、最適な文書数を決定するアルゴリズムである。
CARは、常に最適な検索深度を選択し、最高TESスコアを達成し、固定されたトップkベースラインを全て上回る。
論文 参考訳（メタデータ） (2025-10-02T05:11:12Z) - Semantic Caching for Low-Cost LLM Serving: From Offline Learning to Online Adaptation [54.61034867177997]
キャッシング推論応答は、大きな言語モデルに他の前方を通さずに、それらを検索することができる。
従来の正確なキャッシュは、クエリ間のセマンティックな類似性を見落とし、不要な再計算をもたらす。
本稿では,未知のクエリおよびコスト分布下でのセマンティックキャッシュ消去のための,原則的,学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-11T06:53:27Z) - Document Attribution: Examining Citation Relationships using Large Language Models [62.46146670035751]
そこで本研究では,帰属を簡単なテキスト・エンタテインメント・タスクとみなすゼロショット・アプローチを提案する。
また,アトリビューションプロセスの強化におけるアテンションメカニズムの役割についても検討する。
論文 参考訳（メタデータ） (2025-05-09T04:40:11Z) - Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。
本稿では,高密度検索のための新しい検索ユニット,命題を提案する。
実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-12-11T18:57:35Z) - Information Extraction in Domain and Generic Documents: Findings from
Heuristic-based and Data-driven Approaches [0.0]
自然言語処理において,情報抽出が重要な役割を担っている。
IEタスクに対するドキュメントのジャンルと長さの影響。
両方のタスクで圧倒的なパフォーマンスを示す方法はひとつもなかった。
論文 参考訳（メタデータ） (2023-06-30T20:43:27Z) - Effective and Efficient Query-aware Snippet Extraction for Web Search [61.60405035952961]
本稿では,DeepQSE という名前の効率的なクエリ対応 Web ページスニペット抽出手法を提案する。
DeepQSEはまず各文に対するクエリ対応の文表現を学習し、クエリと文間の微妙な関連性をキャプチャする。
本稿では,DeepQSEの効率的なバージョンであるEfficient-DeepQSEを提案する。
論文 参考訳（メタデータ） (2022-10-17T07:46:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。