Field Aware Agent Skill Retrieval
字段感知的Agent技能检索
🧭 Agent技能检索 · 多字段表示
University of California, Riverside · Nokia
保留技能的多字段结构分别计算相似度并学习得分融合，显著提升技能检索召回
📌 工作参考价值（4 点）
- 电商搜索的多字段商品匹配：商品有标题、描述、属性等多个结构化字段，拼接为单一文档会丢失信息。可借鉴本方法，为每个字段独立计算稀疏（倒排）和稠密（向量）相似度，再用小型 MLP 学习字段权重，替代人工调权或平权，尤其在多字段重要度差异大的场景（如品牌词 vs 长描述）中收益明显。
- Agent 技能库工程实现：在构建终身学习 Agent 的技能检索模块时，直接保持技能的 field-aware 结构，用独立的相似度打分 + 小 MLP 融合，比拼接后再编码更简单、可扩展，且效果随技能库增长提升，适合大规模技能管理。
- 可解释的检索融合策略：将不同字段的得分显式拆分，便于快速定位哪些字段对匹配贡献最大，可应用到推荐系统中多模态特征（文本、属性、图像）的相似度融合，用轻量 MLP 替代黑盒交叉注意力。
- 复用结论：简单的“分字段计算 + 小 MLP 学习组合”就能超越复杂的拼接式深度模型，表明保留原始数据结构对检索至关重要，这一思想可直接移植到其他多字段文档检索（如 FAQ、知识库）中。