跳转至

InsightEmb：学习用于智能体洞察检索的动作-意图嵌入

文章背景与核心概要

自我改进型智能体（Self-improving agents）通过从先前的执行轨迹中积累可重用的洞察来提升性能，因此高效的检索机制对于将过去的经验转化为可操作的指导至关重要。传统的检索方法主要依赖语义相似度，往往无法判断检索到的洞察是否真正解决了智能体当前的决策瓶颈。

为了克服这一局限性，作者引入了 InsightEmb，这是一个新颖的对比嵌入框架，旨在利用严格的数学推理数据学习可迁移的、面向进展的检索几何结构。通过将具体情境与抽象启发式规则进行联合对齐，并对共享相似进展结构的推理轨迹进行聚类，InsightEmb 在无需针对特定环境进行训练的前提下，在动态智能体任务和静态技能检索基准测试中均持续优于现有的推理嵌入模型。

概览与总结

arXiv ID: 2608.04761
主要分类: 计算与语言 (cs.CL)
次要分类: 人工智能 (cs.AI)
作者: Tsz Ting Chung, Jiangnan Li, Jie Zhou, Mo Yu
提交历史: * [v1] 2026年8月5日，周三 * [v2] 2026年8月6日，周四 (当前版本)

arXiv ID: 2608.04761
Primary Subject: Computation and Language (cs.CL)
Secondary Subject: Artificial Intelligence (cs.AI)
Authors: Tsz Ting Chung, Jiangnan Li, Jie Zhou, Mo Yu
Submission History: * [v1] Wed, 5 Aug 2026 * [v2] Thu, 6 Aug 2026 (This version)

摘要总结

自我改进型智能体从先前的轨迹中积累可重用的洞察，使得高效检索对于将过去经验转化为可操作指导至关重要。传统检索方法主要依赖语义相似度，通常无法判断检索到的洞察是否真正解决了智能体眼前的决策瓶颈。

为了克服这一局限性，作者引入了 InsightEmb，这是一个新颖的对比嵌入框架，旨在利用严格的数学推理数据学习可迁移的、面向进展的检索几何。通过将具体情境与抽象启发式规则联合对齐，并对共享相似进展结构的推理轨迹进行聚类，InsightEmb 在无需环境特定训练的情况下，在动态智能体任务和静态技能检索基准测试中持续优于现有的推理嵌入模型。

Abstract Summary

Self-improving agents accumulate reusable insights from prior trajectories, making efficient retrieval vital for turning past experiences into actionable guidance. Traditional retrieval approaches predominantly rely on semantic similarity, often missing whether a retrieved insight actually resolves an agent's immediate decision bottleneck.

To overcome this limitation, the authors introduce InsightEmb, a novel contrastive embedding framework designed to learn transferable, progress-oriented retrieval geometry using strictly mathematical reasoning data. By jointly aligning concrete situations with abstract heuristic rules and clustering reasoning trajectories that share similar progress structures, InsightEmb consistently outperforms existing reasoning embedding models across dynamic agent tasks and static skill-retrieval benchmarks without requiring environment-specific training.

元数据与参考信息

Metadata & Reference Information

访问与资源

Access & Resources