論文の概要: Adapting Embedding Models for Agent Capability Retrieval

• arxiv url: http://arxiv.org/abs/2607.17347v1
• Date: Sun, 19 Jul 2026 17:17:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.434531
• Title: Adapting Embedding Models for Agent Capability Retrieval
• Title（参考訳）: エージェント能力検索のための埋め込みモデルの適用
• Abstract要約: ユーザクエリと実行可能なエージェント機能とを一致させるために,既製の検索モデルが適用可能であるかを検討する。 AgentSelect上でBGEベース, KaLM-v1.5, EasyRecの3つのオープン検索バックボーンを微調整する。 MuleRunネイティブエージェントとClawHubベンチマークの50のスキルと1000のクエリ。
• 参考スコア（独自算出の注目度）: 43.77708550339229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open agent marketplaces list native agents, tool bundles, and reusable skill packages in the same search interface, yet practitioners still have little guidance on how to retrieve across this mixed catalog. We study whether off-the-shelf retrieval models, trained for general text retrieval, can be adapted to match user queries to executable agent capabilities, and whether the learned signal transfers beyond the benchmark used for tuning. We fine-tune three open retrieval backbones, BGE-base, KaLM-v1.5, and EasyRec, on AgentSelect, which represents marketplace-visible units as capability profiles derived from public metadata, and test transfer on two catalogs not seen during training: MuleRun native agents and a ClawHub benchmark of 50 skills with 1,000 queries. Adaptation helps on both catalogs. Code and data will be released upon publication.
• Abstract（参考訳）: オープンエージェントマーケットプレースでは、ネイティブエージェント、ツールバンドル、再利用可能なスキルパッケージを同じ検索インターフェースにリストしていますが、この混成カタログを検索する方法に関するガイダンスはほとんどありません。 一般的なテキスト検索のために訓練されたオフ・ザ・シェルフ検索モデルが,ユーザクエリと実行可能なエージェント機能との整合性に適応できるかどうか,学習信号がチューニングに使用されるベンチマークを超えて転送されるかどうかを検討する。 オープン検索バックボーンであるBGE-base, KaLM-v1.5, EasyRecの3つをAgensSelect上で微調整します。AgensSelectは、公開メタデータから派生した機能プロファイルとしてマーケットプレース可視ユニットを表現し、トレーニング中に見えない2つのカタログ上でテスト転送を行います。MuleRunネイティブエージェントと1000クエリを備えた50のスキルのClawHubベンチマークです。 順応は両方のカタログに役立ちます。 コードとデータは公開時に公開される。

関連論文リスト

• Skill2Query: Exploiting Skill Structure to Generate Pseudo-Queries for Agent Skill Retrieval [23.49934184220403]
  擬似クエリ生成は、エージェントスキル検索の監視ボトルネックを軽減することができる。 本稿では,スキルドキュメントをスキル知識グラフに解析し,擬似クエリを生成するフレームワークであるSkill2Queryを提案する。 生成されたクエリは、オフラインインデックス拡張、オンラインクエリ拡張、レトリバートレーニングに使用することができる。
  論文  参考訳（メタデータ） (2026-08-17T04:04:19Z)
• Can Generalist Agents Automate Data Curation? [58.652262227632406]
  トレーニングデータのキュレーションは、現代のAI開発において、もっとも重要だが労働集約的な部分のひとつだ。 一般のコーディングエージェントがこのデータキュレーションループを自動化できるかどうかを問う。 モデル、トレーニングレシピ、評価スイートを修正するエージェント中心のベンチマークである*Curation-Bench*を紹介します。
  論文  参考訳（メタデータ） (2026-06-02T22:26:53Z)
• GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
  GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。 DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
  論文  参考訳（メタデータ） (2026-05-28T03:37:33Z)
• DocArena: Turning Raw Documents into Controllable Training Environments for Document Search Agents [44.01307558575661]
  DocArenaは、生のドキュメントコレクションを、人間のアノテーションなしで検索エージェントのトレーニング環境に変換する。 16のドメインと49の言語にまたがる8,336のドキュメントからQAペアのDocArena-79Kを導入する。 6つのマルチモーダル文書シナリオと7つのテキストベースのQAベンチマーク実験により、DocArenaデータでトレーニングされたエージェントは、検索精度とQA品質の両方で最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-05-27T21:21:42Z)
• Conventional Commit Classification using Large Language Models and Prompt Engineering [0.0]
  従来のコミットはコミットメッセージを書くための構造化フォーマットを提供し、可読性、ソフトウェアメンテナンスを改善し、自動化ツールを可能にする。 本稿では,大規模言語モデル(LLM)を即時エンジニアリングによって活用することで,学習自由な代替手段を検討する。 様々なスケールの3つのオープンソース LLM に対して,ゼロショット,少数ショット,チェーンオブ思想の3つのプロンプト戦略を評価した。
  論文  参考訳（メタデータ） (2026-05-03T19:52:39Z)
• One Model Is Enough: Native Retrieval Embeddings from LLM Agent Hidden States [5.647839536820347]
  本稿では,隠れ状態を直接埋め込み空間にマッピングする軽量プロジェクションヘッドを提案する。 QReCCの会話型検索ベンチマークの実験では、標準生成コードパイプラインと比較して、Recall@10とMRR@10が競合している。
  論文  参考訳（メタデータ） (2026-03-09T14:25:35Z)
• AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
  AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。 異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-03-04T06:17:51Z)
• Pull Requests as a Training Signal for Repo-Level Code Editing [49.82435173554125]
  Clean Pull Request(Clean-PR)は、現実のGitHubプルリクエストをリポジトリレベルの編集のトレーニングシグナルとして活用する、トレーニング中のパラダイムである。 ノイズの多いプルリクエストの差分を,再構築と検証を通じて検索/リプレース編集ブロックに変換する,スケーラブルなパイプラインを導入する。 SWE-benchでは,SWE-bench Liteが13.6%,SWE-bench Verifiedが12.3%,命令調整ベースラインが大幅に向上した。
  論文  参考訳（メタデータ） (2026-02-07T09:22:25Z)
• Agent-as-a-Graph: Knowledge Graph-Based Tool and Agent Retrieval for LLM Multi-Agent Systems [1.2092584191043323]
  本稿では,知識グラフにおいて,ツールと親エージェントをノードとして,エッジとして表現する知識グラフ検索拡張手法であるエージェント・アズ・ア・グラフ検索を紹介する。 我々はLiveMCPBenchmark上でAgent-as-a-Graphを評価し、Recall@5とnDCG@5の14.9%と14.6%の改善を実現した。
  論文  参考訳（メタデータ） (2025-11-22T21:24:16Z)
• Towards Modular LLMs by Building and Reusing a Library of LoRAs [64.43376695346538]
  マルチタスクデータに対して最適なアダプタライブラリを構築する方法について検討する。 モデルベースクラスタリング(MBC)を導入し,パラメータの類似性に基づいてタスクをグループ化する手法を提案する。 ライブラリを再使用するために,最も関連性の高いアダプタの動的選択を可能にする新しいゼロショットルーティング機構であるArrowを提案する。
  論文  参考訳（メタデータ） (2024-05-18T03:02:23Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)
• Description-Based Text Similarity [59.552704474862004]
  我々は、その内容の抽象的な記述に基づいて、テキストを検索する必要性を特定する。 そこで本研究では,近隣の標準探索で使用する場合の精度を大幅に向上する代替モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-21T17:14:31Z)
• Injecting Domain Adaptation with Learning-to-hash for Effective and Efficient Zero-shot Dense Retrieval [49.98615945702959]
  我々は,TAS-B高密度検索器の下流ゼロショット検索精度を向上させるためのLTHおよびベクトル圧縮技術を評価する。 以上の結果から, 従来の研究とは異なり, LTH法はゼロショットTAS-B高密度レトリバーを平均14%のnDCG@10で過小評価できることがわかった。
  論文  参考訳（メタデータ） (2022-05-23T17:53:44Z)

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。