論文の概要: Enrich-Retrieve-Rank: Scaling Capability Discovery Beyond In-Context Routing
- arxiv url: http://arxiv.org/abs/2608.22695v1
- Date: Mon, 24 Aug 2026 01:21:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.829107
- Title: Enrich-Retrieve-Rank: Scaling Capability Discovery Beyond In-Context Routing
- Title（参考訳）: Enrich-Retrieve-Rank: コンテキスト内ルーティングを越えたスケーラビリティの発見
- Abstract要約: スパースメタデータを検索可能なプロファイルに変換するオフラインエンリッチメントステップを定義することで,機能発見をレジストリ上の検索として再キャストする。
N=10から7,278まで、インコンテキストルーティングの上位1の精度(Match@1)は崩壊(0.85から0.12)する一方、リランカは検索が見つかると最初の0.70～0.87の能力をまだランク付けしているため、検索ランクはより緩やかに低下する(0.81から0.39)。
- 参考スコア（独自算出の注目度）: 1.7752739644830484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent ecosystems now include thousands of MATS components (Models, Agents, Tools, and Skills), yet their discovery still relies on in-context routing. These systems read a registry (names, hints, or descriptions, as context budget permits), pick a candidate, invoke it, and retry on failure. This pattern degrades with scale, and registries are growing fast. We recast capability discovery as search over a registry by defining an offline enrichment step that turns sparse metadata into searchable profiles, and an online retrieve-then-rank pipeline that returns a ranked shortlist without invoking any candidates online. We show that from N=10 to 7,278 capabilities, in-context routing's top-1 accuracy (Match@1) collapses (0.85 to 0.12), while retrieve-then-rank degrades more gently (0.81 to 0.39) because its reranker still ranks the right capability first 0.70-0.87 of the time once retrieval finds it. In the Nova Micro sweep, the crossover is around N=500. We compare against two in-context baselines. Full-Ctx puts the whole registry in the prompt and asks the LLM to pick. Search&Pick gives the LLM a search tool to narrow candidates before it picks. At full scale the pipeline leads Search&Pick by 6.5 percentage points (pp) on Match@1 at about half the cost. It reduces cost 70x versus Full-Ctx. We use a fixed configuration (same enrichment, retriever, and scorer weights) across agent, tool, and skill registries. The pipeline runs in production as the default capability-discovery layer of a large-scale multi-agent platform.
- Abstract（参考訳）: エージェントエコシステムには、数千のMATSコンポーネント(モデル、エージェント、ツール、スキル)が含まれているが、それでもその発見はコンテキスト内ルーティングに依存している。
これらのシステムはレジストリ(名前、ヒント、記述)を読み、候補を選択し、それを呼び出し、失敗を再試行する。
このパターンはスケールで劣化し、レジストリは急速に成長しています。
我々は、スパースメタデータを検索可能なプロファイルに変換するオフラインエンリッチメントステップと、オンラインで候補を呼び出しずにランク付けされたショートリストを返すオンライン検索ランクパイプラインを定義することで、レジストリ上の検索として機能ディスカバリを再キャストする。
N=10から7,278まで、インコンテキストルーティングの上位1の精度(Match@1)は崩壊(0.85から0.12)する一方、リランカは検索が見つかると最初の0.70～0.87の能力をまだランク付けしているため、検索ランクはより緩やかに低下する(0.81から0.39)。
Nova Microのスイープでは、クロスオーバーは約N=500である。
テキスト内ベースラインを2つ比較する。
Full-Ctxは、レジストリ全体をプロンプトに配置し、LLMに選択を依頼する。
Search&PickはLLMに、候補を絞り込む前に検索ツールを提供する。
パイプラインはフルスケールで、Match@1で検索&Pickの6.5ポイント(pp)を約半分のコストでリードする。
フルCtxに比べて70倍のコストがかかる。
エージェント、ツール、スキルレジストリ間で固定された設定(サムエンリッチメント、レトリバー、スコアラーウェイト)を使用します。
パイプラインは、大規模マルチエージェントプラットフォームのデフォルト機能発見レイヤとして本番環境で動作する。
関連論文リスト
- Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - Search, Inspect, Fetch: Exploiting Structure-Aware Boolean Retrieval for Deep-Research Agents [50.35041517085015]
既存のDeep-ResearchエージェントはSearch-Visitワークフローを使用して、タイトル、見出し、セクション、メタデータを通じて公開する構造を考慮せずに、Webページ全体を検索する。
Boolean Query Language (BQL) によって駆動される検索-インスペクション-フェッチ戦略である textscSieve を導入する。
ウェブページのフィールドを検索して候補をフィルタリングし、インターチェンジ可能なランク付け器を使ってそれらを注文し、構造に富んだ結果カードを検査し、選択したセクションのみを取得する。
論文 参考訳（メタデータ） (2026-08-03T18:01:05Z) - SLMs as Multi-Agent Routers: A Progressive SFT and Reinforcement Learning Approach [35.31208793946578]
特殊検索エージェントは一般的に汎用検索よりも高品質な検索結果を呈する。
現在のアプローチでは、推測されたトピックや意図に基づいてクエリをルーティングするが、検索されたコンテンツからのシグナルは含まない。
我々は、教師付き微調整と強化学習により、小さな言語モデルを訓練することで、この問題に対処する。
論文 参考訳（メタデータ） (2026-07-15T11:11:39Z) - Field Order Should Not Matter: Permutation-Invariant Embedding Model Fine-Tuning for Structured Metadata Retrieval [0.0]
構造化メタデータのカタログ上での検索について検討し、各レコードは、フィールドが異なる種類のクエリに応答する小さなスキーマである。
我々は、通常実装の詳細として扱われるこの選択を示し、エンコーダが微調整されると、その検索品質を静かに制御する。
標準のファインチューンは、フィールドラベルの代わりに絶対位置を読み取るため、インデックスが異なるフィールド順序で再構築されたときに7.4 nDCG@10ポイントを失う。
我々は、新しいサンプルフィールドオーダーで各レコードをランダムフィールドドロップアウトでシリアライズする置換不変微調整(textbfPI-FT$)を提案する。
論文 参考訳（メタデータ） (2026-06-29T15:33:04Z) - Adaptive Re-Ranking [9.210588331263503]
コスト対応ルーティングのためのユーティリティベースのラベリングフレームワークであるAdaptive Re-Rankingを提案する。
我々は、スパース検索(BM25)、密度再ランク(MiniLM-L6-v2)、重神経再ランク(BGE-v2-m3)の3つの戦略でルーティング分類器を訓練する。
BGEと比較すると,テスト対象のデータセットの平均レイテンシは1.15～53倍,平均レイテンシは1.11～5.22倍で,-17.5%から+4.0%のnDCG@10を提供する。
論文 参考訳（メタデータ） (2026-06-24T00:12:44Z) - SelRoute: Query-Type-Aware Routing for Long-Term Conversational Memory Retrieval [0.0]
SelRouteは、クエリタイプに基づいて、各クエリを専用のパイプラインにルーティングするフレームワークである。
LongMemEval_Mでは、bge-base-en-v1.5 (109Mパラメータ)で0.800、bge-small-en-v1.5 (109Mパラメータ)で0.786のRecall@5を達成する。
FTS5のみを使用したゼロMLベースラインは0.692のNDCG@5を達成する。
論文 参考訳（メタデータ） (2026-04-02T18:02:59Z) - OpenResearcher: A Fully Open Pipeline for Long-Horizon Deep Research Trajectory Synthesis [63.8655724265611]
深層研究エージェントの訓練には、探索、証拠収集、多段階推論をインターリーブする長い水平軌道が必要である。
既存のデータ収集パイプラインは、一般的にプロプライエタリなWeb APIに依存しており、大規模な軌道合成をコストが高く、不安定で、再現が難しい。
再生可能なパイプラインであるOpenResearcherは,複数ターン軌道合成から1回のコーパスブートストラップを分離する。
論文 参考訳（メタデータ） (2026-03-17T20:10:12Z) - 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) - 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) - ReasonIR: Training Retrievers for Reasoning Tasks [139.54343970560103]
ReasonIR-8Bは一般的な推論タスクのために特別に訓練された最初のレトリバーである。
新たに29.9 nDCG@10をリランカなしで、36.9 nDCG@10をリランカで達成している。
論文 参考訳（メタデータ） (2025-04-29T09:49:28Z) - Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
本研究では,ALIESと呼ばれる新しい手法を提案する。
入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。
元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
論文 参考訳（メタデータ） (2023-05-24T06:16:44Z) - IRLI: Iterative Re-partitioning for Learning to Index [104.72641345738425]
分散環境でのロードバランスとスケーラビリティを維持しながら、高い精度を得る方法とのトレードオフが必要だ。
クエリ項目関連データから直接バケットを学習することで、アイテムを反復的に分割するIRLIと呼ばれる新しいアプローチを提案する。
我々は,irliが極めて自然な仮定の下で高い確率で正しい項目を検索し,優れた負荷分散を実現することを数学的に示す。
論文 参考訳（メタデータ） (2021-03-17T23:13:25Z)
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。