从智能体轨迹中学习检索
深度2026年3月30日40 分钟阅读
研究发现，传统基于人类交互训练的检索模型与智能体搜索行为存在根本性不匹配，而直接从智能体轨迹中学习能有效解决这一问题。信息检索、人工智能和自然语言处理领域的研究者及从业者应关注这一工作，它代表了智能体搜索时代检索技术的重要发展方向。
本文编译自 Learning to Retrieve from Agent Trajectories，版权归原作者所有。
觉得有用？分享给更多人
相关文章
ClickUp裁员22%并引入数千AI Agent，CEO声称这是拥抱AI而非降本。但Gartner调查显示多数公司裁员后并未获得财务回报。有批评者指出“token消耗”不是正确衡量指标。
深度·5月25日·4 分钟
本文是 Hugging Face 发布的 AI Agent 术语表（第一部分），系统解释了模型、Scaffold、Harness、Agent、上下文工程、策略、工具调用、技能、子代理等概念，并区分了训练和推理场景。重点厘清了 harness 和 scaffold 这两个最容易混淆的术语，以及 Agent = 模型 + Harness 的核心关系。
深度Hugging Face·5月25日·8 分钟