北京
分享至
Amazon 团队提出 CTIFoundry，一种面向智能体检索的索引构建方法。其核心思路是在索引阶段，跨四个权威安全知识库构建官方交叉引用，将其转化为类型化可遍历边，并通过 span 级报告层保留来源信息。
关键提升在于“动作表面”的替换。在四模型面板上，使用相同 harness 的智能体整体 F1 分数提升了 0.19-0.28。这意味着，无需改动推理流程或工具调用逻辑，仅优化知识索引的组织方式，就能带来显著的性能增益。
更值得注意的是小模型的表现。在 CTIFoundry 支持下，小模型以约一半的工具调用数，即可超越旗舰模型在平面基座上的表现。这提示知识结构本身可能比模型参数规模更具杠杆效应。
该方法的价值在于：通过索引时构建结构化的知识关联，减少智能体在推理过程中的无效探索，从而提升效率与准确率。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
