摘要
长文档问答通常需要在将整个文档加载到上下文窗口和附加独立检索器之间做出选择。智能体人工智能提供了更广泛的选项，允许智能体决定如何以及阅读哪些内容，基于文档路径。Agent Skills是一种将专业知识打包到文件夹中的标准，智能体按需加载，提供了一种现成的机制：渐进式信息披露，它仅暴露查询所需的信息，从简短描述到具体段落。
研究背景
从业人员迅速采用了这一模式来处理书籍长度的理解任务，但支持这种选择的证据主要是轶事性的。我们进行了首次控制研究，比较了原始文档导航和几种Agent Skills包设计与传统混合检索器的表现，涉及三种智能体框架和三种模型系列，使用InfiniteBench进行测试。
研究结果
在单本书的情况下，增益取决于智能体框架，当智能体在原始文档导航不佳时，增益较大，而当强智能体框架能够自行划分和检索时，增益接近零。
在扩展到跨越多本书的任务时，原始文档导航的效果急剧下降，而单级渐进式信息披露的性能下降较慢并最终领先。第二级更深的路由从未提供帮助，有时甚至会直接破坏准确性，因此一个级别就足够了。
渐进式信息披露提供上下文，而非智能：当强智能体能够自行定位正确段落时，它是冗余的；而一旦语料库变得过大，以至于无法通过阅读进行导航时，它就变得至关重要。
博主点评： 本文揭示了渐进式信息披露在长文档处理中的优势，强调了智能体设计的灵活性与适应性。随着文档规模的增加，如何有效管理信息成为关键，渐进式披露提供了一种有效的解决方案，值得在实际应用中深入探讨。