論文の概要: Frustratingly Easy Agentic RAG via Portable Skills: A Case Study in Customer Support

• arxiv url: http://arxiv.org/abs/2610.14428v1
• Date: Sat, 10 Oct 2026 00:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.047446
• Title: Frustratingly Easy Agentic RAG via Portable Skills: A Case Study in Customer Support
• Title（参考訳）: 携帯スキルによる手軽なエージェントRAG : 顧客支援を事例として
• Abstract要約: 例えば、カスタマーサポートでは、人間のスペシャリストが各ケースの正しい解決手順を決定する必要があります。 このバーを本番環境で満たすには、通常、複雑なドキュメントのチャンク、インデックス、検索パイプラインが必要です。 本稿では,LLM生成ナビゲーション層に富んだ自然言語命令,軽量ツール,コーパスからなる携帯型スキルの展開事例について報告する。
• 参考スコア（独自算出の注目度）: 11.405584584495772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enterprise workflow automation typically requires retrieving a complete and accurate set of relevant information from large operational document corpora (SOPs, policy documents) given a specific scenario or request. In customer support (CS), for example, human specialists must determine the correct sequence of resolution steps for each case, a task that demands precise grounding in policy documentation. Meeting this bar in production typically requires complex document chunking, indexing, and retrieval pipelines, often layered with learned re-rankers, query rewriters, and bespoke agentic RAG infrastructure. We report a deployment case study of a simpler alternative: a portable skill consisting of a natural-language instruction, lightweight tools (a retrieval API, format-checking scripts), and a corpus enriched with an LLM-generated navigation layer, which is a structured "Wikipedia-style" index over the underlying documents. This agentic RAG approach is straightforward to implement (1-2 engineer days), portable across capable agentic harnesses (e.g., Claude Code), and performs strongly on the challenging task of CS resolution workflow generation, achieving 99.2% procedural equivalence to human-approved ground truth and 83.3% evidence sufficiency. It is also roughly an order of magnitude slower per case than our deployed production assistant (~90 s vs. ~8-9 s), so we claim no latency advantage. Our claim is scoped to that setting: a mature, well-curated corpus, a latency-tolerant workflow, and human review of every case. There, the skill did the work of a complex RAG stack, and maintenance became a matter of editing text and data rather than retraining models.
• Abstract（参考訳）: 企業ワークフローの自動化は通常、特定のシナリオや要求に応じて、大規模な運用ドキュメントコーパス(SOP、ポリシー文書)から、完全かつ正確な情報のセットを取得する必要があります。 例えば、顧客サポート(CS)では、ヒューマンスペシャリストは、ポリシー文書の正確な根拠を要求するタスクである、各ケースの正しい解決手順を決定する必要がある。 このバーを本番環境で満たすには、典型的には複雑なドキュメントチャンキング、インデックス化、検索パイプラインが必要で、多くの場合、学習された再ランカ、クエリリライト器、スパイクエージェントRAGインフラストラクチャが階層化されている。 本稿では,自然言語命令,軽量ツール(検索API,フォーマットチェックスクリプト),LLM生成ナビゲーション層を具備したコーパスからなる携帯型スキルについて報告する。 このエージェントRAGアプローチは、実装が簡単で(1～2日)、有能なエージェントハーネス(例えばClaude Code)に可搬可能であり、CS分解ワークフロー生成の困難なタスクに強く取り組み、人間に承認された地上の真実に99.2%の手続き的等価性と83.3%の証拠満足度を達成している。 また、デプロイされた運用アシスタント(～90 s vs. ～8-9 s)よりもケース毎の約1桁遅いので、レイテンシのアドバンテージは主張できません。 私たちの主張は、成熟した、十分にキュレートされたコーパス、レイテンシ耐性のあるワークフロー、あらゆるケースの人間によるレビューといった設定に当てはまります。 この技術は複雑なRAGスタックを動作させ、メンテナンスはモデルの再トレーニングではなく、テキストやデータを編集する問題になった。

関連論文リスト

• OOPMAS: Object-Oriented Multi-Agent Systems for Query-Level Workflow Generation [55.27793983826255]
  OOPMASは、エージェントセットと調整ワークフローの両方を個々のクエリの粒度で生成する、トレーニング不要のフレームワークである。 コード、数学、QAにまたがるクエリの混合タスクベンチマークでは、OOPMASは89.6%の精度を達成し、最強のベースラインを18.1ポイント上回っている。
  論文  参考訳（メタデータ） (2026-10-06T05:31:29Z)
• DocSeeker: Structured Visual Reasoning with Evidence Grounding for Long Document Understanding [63.257540233507626]
  本稿では、構造化解析、局所化、推論のワークフローを実行するためにモデルを必要とするパラダイムを提案する。 ショートページトレーニングから超長文書への堅牢な一般化を示し、視覚的検索・拡張生成システムと自然に相乗効果を示す。
  論文  参考訳（メタデータ） (2026-04-14T14:39:26Z)
• SPD-RAG: Sub-Agent Per Document Retrieval-Augmented Generation [0.0]
  SPD-RAG(SPD-RAG)は,クロスドキュメントな質問応答のための階層型マルチエージェントフレームワークである。 各文書は、自身のコンテンツのみで動作する専用文書レベルエージェントによって処理され、集中した検索が可能となる。 SPD-RAGは58.1(GPT-5評価)のAvgスコアを達成し、正規RAG(3.0)とエージェントRAG(32.8)を上回り、フルコンテキストベースライン(68.0)のAPIコストの38%しか使用していない。
  論文  参考訳（メタデータ） (2026-03-09T12:46:32Z)
• Fast and Faithful: Real-Time Verification for Long-Document Retrieval-Augmented Generation Systems [9.927850680621038]
  本稿では,実運用RAGパイプラインに統合されたリアルタイム検証コンポーネントの設計について述べる。 このシステムは文書を最大32Kのトークンで処理し、応答時間と検証カバレッジのバランスをとるために適応的な推論戦略を採用する。
  論文  参考訳（メタデータ） (2026-03-04T12:53:21Z)
• Compliance Brain Assistant: Conversational Agentic AI for Assisting Compliance Tasks in Enterprise Environments [2.8724171056550256]
  Compliance Brain Assistant (CBA) は、企業環境における人員の日々のコンプライアンスタスクの効率を高めるために設計された、対話型のエージェントAIアシスタントである。 応答品質とレイテンシのバランスを良くするために,FastTrackモードとFullAgenticモードをインテリジェントに選択できるユーザクエリルータを設計する。
  論文  参考訳（メタデータ） (2025-07-23T07:51:10Z)
• Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
  検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。 RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。 製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
  論文  参考訳（メタデータ） (2025-06-29T08:34:59Z)

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。