SFIA技能抽取首个可复现基线：三智能体团队延迟翻倍却零提升，层级预测错误率翻倍！
From Lexical Baselines to Agentic Retrieval-Augmented Generation: Structured Skill and Responsibility-Level Extraction with the SFIA Framework
📖 AI 总结
本文针对自动化技能提取中普遍忽视责任层级的问题，首次将SFIA框架（涵盖147项专业技能、七个责任等级）引入基于大语言模型的结构化提取任务，将其形式化为从自由文本中预测“技能—等级”配对。研究构建了全自动流程生成的SFIA 9语料库，并以欧洲ICT角色画像为专家标注基准，系统比较了词汇基线、稠密检索加LLM重排、零样本模式约束LLM、单智能体RAG以及三智能体检索—匹配—验证团队五种策略。结果显示：检索式匹配识别出的技能数量最多，生成式策略精确率明显更高；只有将等级作为显式决策输出的策略才能可靠预测责任层级，基于相似度的选择错误率高出两倍以上；三智能体协作使延迟翻倍却未提升准确率，表明增加智能体角色对封闭分类体系的匹配并非必然有益。该工作为面向SFIA的结构化、层级感知技能提取提供了首个可复现基线。
🔑 关键词速览
| SFIA | 信息时代技能框架，定义了147项专业技能及七个责任层级的标准化技能分类体系。 |
| Agentic RAG | 智能体检索增强生成，利用多个智能体协作完成检索、匹配与验证等任务的生成式方法。 |
| 结构化预测 | 从自由文本中预测具有内部结构的输出，如（技能，层级）对，而非单一标签。 |
| 封闭词汇表 | 预定义且有限的技能标签集合，模型只能从中选择，不能生成新标签。 |
| 责任层级 | SFIA中描述技能实践所需自主性、影响力和复杂度的七个等级。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅