🔥 今日值得一读
SPEM让LLM智能体技能使用成功率87.1%，还省令牌省时间！
SPEM: Structure-Aware Procedural Memory for Efficient Skill Use in LLM Agents
📖 AI 总结
该论文针对LLM智能体在技能库规模扩大后难以高效、准确调用技能的问题，提出SPEM框架。作者指出，全量加载技能会带来高昂的token与运行时开销，而扁平语义检索将技能视为独立文本条目，忽略了技能间的依赖关系、执行顺序、状态转移和数据流约束。SPEM通过维护原子技能记忆和从成功执行中提炼的可复用技能组合DAG记忆来解决这一问题：新任务优先复用高置信度的技能DAG模板，否则检索原子技能并调用Skill-GNN进行状态与结构感知的技能选择，成功执行结果再写回形成新的技能DAG，使程序性记忆随时间累积。在ALFWorld和SkillsBench上的实验显示，SPEM取得最佳的整体效果与效率权衡，ALFWorld成功率达87.1%，SkillsBench奖励为38.38%，同时相比强基线降低了token和运行时成本。
🔑 关键词速览
| SPEM | 一种轻量级、结构感知的过程记忆框架，用于LLM智能体高效使用技能。 |
| Skill-DAG | 技能有向无环图，表示可复用技能组合的依赖关系与执行顺序。 |
| Skill-GNN | 一种图神经网络，用于在技能选择中进行状态和结构感知的推理。 |
| Atomic Skill Memory | 存储单个原子技能的记忆模块，支持独立技能的检索与复用。 |
| ALFWorld | 一个用于评估智能体在文本环境中完成家务任务的基准测试平台。 |
📱 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