论文解决了什么问题
随着终身学习智能体技能库的不断增长，如何准确检索所需技能成为关键瓶颈。现有方法通常将技能视为单一扁平文档，通过简单拼接各个字段进行处理，容易导致关键信息在长文本中被稀释，难以满足大规模技能库的精准匹配需求。
核心方法
本文提出一种感知字段的智能体技能检索方法，核心在于拆分技能文档结构。该方法不再将技能作为整体扁平文档，而是按触发描述、工具约束等独立字段分别进行检索与结构化表示，以此提升检索的针对性和准确性。
方法与已有工作的区别
有原文依据现有技能检索方法将每个技能视为一个扁平文档并拼接字段，而本文方法拆分技能文档结构，按字段分别进行检索。
实验结论
- 原文未提供具体实验结果与量化性能边界
- 理论上缓解了大规模技能库中扁平文档检索的瓶颈
局限性与证据边界
- 具体的实验设置与评测数据集
- 量化性能提升结果与对比基线
- 方法的适用边界与失败模式
- 具体拆分了哪些字段及其权重分配机制
适合谁阅读
Agent 系统检索与 RAG技能学习提出感知字段的智能体技能检索（Field-Aware Agent Skill Retrieval），通过拆分技能文档结构，按触发描述、工具约束等独立字段分别进行检索和结构化表示，而非将其作为单一扁平文档处理。原文未给出具体的实验设计与评测框架细节。
可核验的原论文来源和作者
- 作者
- Paimon Goulart, Liang Wu, Kelly Wan, Evangelos E. Papalexakis, Liangjie Hong
- 来源
- arXiv
- 论文 ID
- 2608.02880