From Knowledge Access to Source Learning: Developing Source-Specific Competence
从知识访问到源学习：构建源特化能力
🧭 Agent 长期源能力学习 ★ 深度解读
Georgia Institute of Technology · University of Illinois at Urbana-Champaign · University of California, Los Angeles
提出SourceLearn，用自指导+任务指导学习持续构建可复用源模型，在13/15设置中超越RAG与记忆基线
📌 工作参考价值（4 点）
- 在电商/广告 Agent 中，类目规则、活动规则、API 文档、售后政策等是反复访问的持久权威 source。可以维护一个与实时 RAG 并列的 source model：source model 固化可复用的结构、条件、规则与关系，RAG 继续提供精确证据；任务时按预算激活相关 region，减少每次从零推理。
- 自指导源学习采用 Inspect–Study–Consolidate 的 read-many write-once 模式：先对照现有源模型找出未解释清的机制/条件，再规划有限 DEEPEN/CONNECT 动作，最后才提交一次持久更新。适合离线周期性沉淀业务知识库，避免频繁写坏记忆。
- 任务指导学习不要把失败答案或经验本身存入记忆；只用失败定位源模型缺失的 requirements，然后回到权威 source 做 grounded reconstruction。跨任务可抽象成 representation lesson，只存“应显式区分条件/不要合并/应同置”等表示偏好，再对 source 做 recalibration，能把经验迁移到未见区域。
- 源模型实体槽位可参考 attributes/mechanisms/distinctions/decisive_details，优先结构和条件而非低层事实；论文显示条件显式度从约 30% 升到 65–82%，未来任务覆盖从 23.2% 升到 40.0%，覆盖越高准确率越高。检索失败时，source model 也能单独维持与完整检索 RAG 相当的水平，适合兜底降级。