LLM代理跨任务技能迁移机制研究

Yiyang Feng等研究者发表了一项关于LLM智能体跨任务技能诱导与迁移的对照研究。该研究系统分析了任务级与子任务级技能，以及文本与代码格式在技能迁移中的表现差异，旨在揭示技能诱导方式如何影响其跨任务效用。 研究发现，LLM智能体诱导的技能在跨任务迁移时可靠性较低，部分情况甚至导致性能下降。具体而言，任务级技能通常使性能低于无记忆基线，而子任务级技能平均提升了性能。此外，文本格式的技能比代码格式在迁移过程中表现更优，显示出更高的适应性。 为了量化技能效用，研究团队提出了“技能效用分”这一轻量级诊断指标。该分数综合考量技能的具体性与抽象性，并与任务成功率呈现高度相关性。结果显示，子任务级和文本格式技能通常拥有更高的效用分，为优化LLM代理的技能管理提供了明确的诊断依据。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。