Исследователи представили подходы к управлению крупными библиотеками навыков для ИИ-агентов, решающие проблему ограниченного контекстного окна. Вместо загрузки всех инструментов, авторы предложили гибридную систему ранжирования и графовую структуру знаний. Это позволяет агентам динамически выбирать и последовательно вызывать необходимые навыки, значительно снижая вычислительные затраты и повышая точность выполнения сложных многоэтапных задач.

При работе с сотнями инструментов стандартные методы RAG часто не справляются с логической последовательностью действий. Гибридный ранжир сочетает лексический поиск с плотными эмбеддингами, обеспечивая точный подбор навыков по запросу. В свою очередь, типизированный граф знаний структурирует зависимости между навыками, что помогает агенту планировать цепочки действий, избегая избыточности и ошибок при выборе инструментов.

Такой подход критически важен для создания автономных агентов, способных оперировать библиотеками из сотен и тысяч функций. Оптимизация процесса загрузки навыков напрямую влияет на скорость отклика системы и стоимость инференса, позволяя эффективно масштабировать агентные архитектуры без потери качества планирования.

Ключевые факты

  • Исследование протестировано на корпусе из 690 уникальных навыков.
  • Гибридная система ранжирования объединяет лексический поиск и dense-embedding для точечной загрузки инструментов.
  • Типизированный граф знаний используется для кодирования связей и последовательностей между навыками.
  • Метод решает проблему «переполнения» контекста при работе с обширными библиотеками функций.
  • Предложенные подходы направлены на автоматизацию выбора навыков в автономных агентных системах.