論文の概要: Comparative Approaches to Agent Retrieval over Large Skill Libraries

• arxiv url: http://arxiv.org/abs/2608.06196v1
• Date: Thu, 06 Aug 2026 15:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.947354
• Title: Comparative Approaches to Agent Retrieval over Large Skill Libraries
• Title（参考訳）: 大規模スキルライブラリにおけるエージェント検索手法の比較検討
• Authors: Indivara Kolluru, Nathan Sportsman,
• Abstract要約: そこで本研究では,690スキルのコーパスを用いて,この問題に対する2つのシステムについて検討する。 疎度,オンデマンド負荷,およびワークフロー関係を符号化した型付き知識グラフのための語彙と密埋め込み検索を組み合わせたハイブリッドローダ。 117のリアルで非エコなクエリのセットでは、ハイブリットローダは73.5% +/- 8.0のケースでトップ5内の正しいスキルを検索し、約4分の1のクエリは保存されない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agents backed by large skill libraries must decide which skills to load and in what order. Loading the entire library into context is expensive and provides no structure for autonomous sequencing. We study two systems for this problem over a corpus of 690 skills: a hybrid ranker combining lexical and dense-embedding retrieval for sparse, on-demand loading, and a typed knowledge graph encoding workflow relations such as prerequisites, data flow, and ordering. On a set of 117 realistic, non-echoing queries, the hybrid ranker retrieves the correct skill within the top five in 73.5% +/- 8.0 of cases, leaving roughly a quarter of queries unserved. When used as the design intended (substituting graph neighbours for additional ranked results at matched token budget), the graph is significantly worse (-11.2 points, p = 0.0007). Its LLM-generated edge layer adds nothing over neighbours obtained free from a local embedding pass, and 73% of the queries the ranker misses are not reachable through the graph at all. We attribute this to a pre-filter topology bound. Because the graph's candidate edges are drawn from the same embedding neighbourhood the ranker already searches, 98.6% of typed edges connect skills the ranker had already surfaced together. The graph can enrich relation semantics but cannot extend retrieval reach. We further show that evaluating on author-written queries overstates hit@5 by up to 44 points, which would have hidden these results entirely. Our contribution is a mechanistic account of why added structure does not improve retrieval over a strong ranker, and identify the conditions under which adding structural interdependence into the retrieval is optimal.
• Abstract（参考訳）: 大規模なスキルライブラリが支援するエージェントは、どのスキルをロードするか、どの順序で実行するかを決定する必要がある。 ライブラリ全体をコンテキストにロードするのは高価であり、自律的なシーケンシングのための構造を提供しない。 本研究では,この課題を690スキルのコーパスで解決する2つのシステムについて検討する。語彙と密埋め込みを組み合わせたハイブリッドローダと,必要条件,データフロー,順序などのワークフロー関係を符号化した型付き知識グラフである。 117のリアルで非エコなクエリのセットでは、ハイブリットローダは73.5% +/- 8.0のケースでトップ5内の正しいスキルを検索し、約4分の1のクエリは保存されない。 意図された設計(整合トークン予算における追加のランク付け結果にグラフ近傍を置換する)として使用すると、グラフは著しく悪化する(11.2点、p = 0.0007)。 LLM生成エッジ層は、局所的な埋め込みパスから解放された近傍には何も加えず、ランサーミスの73%はグラフを通して到達できない。 これをフィルター前のトポロジー境界とみなす。 グラフの候補エッジは、同じ埋め込み地区から抽出されるため、ランク付けされたエッジの98.6%は、既にランク付けされたスキルを結びつけている。 このグラフは関係意味論を豊かにすることができるが、検索範囲を拡張できない。 さらに、著者によるクエリのオーバーステートを最大44ポイント評価することで、これらの結果を完全に隠していたことを示しています。 我々の貢献は、なぜ付加構造が強いランク付け器による検索を改善しないのかという力学的な説明であり、構造的相互依存性が検索に付加される条件が最適であることを示すものである。

関連論文リスト

• Novelty-Aware Agentic Retrieval: Comparing Research Contributions Through Structured Multi-Step Reasoning [0.0]
  ノベルティ・アウェア・リサーチ・エージェント(英: Novelty-Aware Research Agent)は、エージェント検索システムのプロトタイプである。 RAGパイプライン上の多段階推論を6つのタイプドコントラクトコンポーネントを通じて階層化する。 論文毎のコントリビューション記録、紙レベルのオーバーラップ、問題xメソッドギャップマトリックスなど、構造化された比較アーティファクトを生成する。
  論文  参考訳（メタデータ） (2026-06-20T17:04:02Z)
• Beyond Vector Similarity: A Structural Analysis of Graph-Augmented Retrieval for Industrial Knowledge Graphs [0.0]
  航空サプライチェーンインテリジェンスのための8つの検索アーキテクチャを比較した。 10のカテゴリを対象とする23のクエリを評価し,5つのクエリクラスがベクトル検索に対して構造的に到達不能であることを示す。
  論文  参考訳（メタデータ） (2026-06-04T10:56:57Z)
• SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
  本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。 各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。 ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
  論文  参考訳（メタデータ） (2026-06-02T02:45:21Z)
• SAGE: Structure Aware Graph Expansion for Retrieval of Heterogeneous Data [47.930782177987446]
  不均一なコーパスに答える検索拡張された質問は、テキスト、テーブル、グラフノード間で接続されたエビデンスを必要とする。 標準レトリバーリーダーパイプラインは、独立にチャンクされたテキスト上の平坦な類似性検索を使用し、モダリティ間のマルチホップエビデンスチェーンを欠いている。 SAGE(Structure Aware Graph Expansion)フレームワークを提案する。これは、パーセンタイルベースのプルーニングとメタデータ駆動の類似性を利用して、チャンクレベルのグラフをオフラインで構築する。 暗黙的クロスモーダルコーパスと明示的スキーマグラフのエージェント検索であるSPARK(Structure Aware Planning Agent for Retrieval over Knowledge Graphs)のハイブリッド高密度スパース検索を用いて初期検索をインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-18T23:57:19Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
  BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。 私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。 クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
  論文  参考訳（メタデータ） (2024-07-16T17:58:27Z)
• Approximate Knowledge Graph Query Answering: From Ranking to Binary Classification [0.20999222360659608]
  不完全グラフ上の構造化クエリは、不完全解の集合をもたらす。 近似構造化クエリ応答のためのいくつかのアルゴリズムが提案されている。 ランキングに基づく評価を行うことは、複雑な問合せ応答の方法を評価するのに十分ではないと我々は主張する。
  論文  参考訳（メタデータ） (2021-02-22T22:28:08Z)
• Grale: Designing Networks for Graph Learning [68.23038997141381]
  我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
  論文  参考訳（メタデータ） (2020-07-23T13:25:36Z)

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。