大语言模型与诱导小代理：用于知识挖掘的可扩展智能体
人工智能
2025-10-16 v2
摘要
在深度研究中，知识挖掘是从大规模非结构化文本中提取结构化信息以响应用户指令的任务。大型语言模型（LLM）在解释此类指令方面表现出色，但规模化部署成本高昂；而传统的分类器和提取器管道虽高效但脆弱，无法泛化到新任务。我们引入 Falconer，一个结合 LLM 智能体推理与轻量级代理模型的协作框架，用于可扩展知识挖掘。在 Falconer 中，LLM 充当规划者，将用户指令分解为可执行管道，同时充当标注者，生成训练小型代理的监督信息。该框架将分类和提取统一为两个原子操作 get label 和 get span，使单个遵循指令的模型能够取代多个任务特定组件。为评估由 Falconer 孵化的代理模型与人类和大型模型提供的标注之间的一致性，我们构建了新的覆盖规划和端到端执行的基准测试。实验表明，Falconer 在指令遵循准确率上接近最先进的 LLM，同时将推理成本降低最高可达 90%，并将大规模知识挖掘加速超过 20 倍，为深度研究提供了高效且可扩展的基础。
引用
@article{arxiv.2510.01427,
title = {A Tale of LLMs and Induced Small Proxies: Scalable Agents for Knowledge Mining},
author = {Sipeng Zhang and Longfei Yun and Zilong Wang and Jingbo Shang and Letian Peng},
journal= {arXiv preprint arXiv:2510.01427},
year = {2025}
}
备注
Code available: https://github.com/LongfeiYun17/falconer