知识卡片：从知识访问到来源学习——发展来源特定能力

说明：正文未能抓取成功；以下仅基于给定元数据与候选摘要生成，具体方法、实验与结论细节均待核实。

一句话结论

根据候选摘要，论文把 LLM 智能体反复使用同一外部权威来源的过程，从“重复访问”重新定义为“来源学习”，并提出 SourceLearn 来构建可持久更新的来源模型；但正文未获取，机制与结果需待核实。

事件概述或研究问题

• 背景：大型语言模型（LLM）智能体越来越依赖持久外部来源，以解决一系列知识密集型任务。
• 已有方法主要改进来源内容的访问与组织；智能体记忆系统则保存先前交互中的可复用知识。
• 缺口：同一来源被反复使用时，仍主要被当作重复访问，而不是逐步提升对该来源理解的机会。
• 研究问题：如何针对一个持续存在的权威来源，发展可复用的“来源特定胜任力”（source-specific competence）？

方法/产品要点

根据候选摘要，SourceLearn 的核心是持久“来源模型”（persistent source model），用于捕捉对来源的可复用理解，包括其知识如何被结构化、解释和应用。它组合两个学习机制：

• Self-Directed Source Learning：识别尚未完全理解的部分，并自适应回访来源。
• Task-Guided Source Learning：利用下游任务经验，揭示局部表示缺口，以及来源知识组织中的重复需求。
• 两者共同点：学习信号决定“什么需要被重新考虑”；持久更新则从权威来源重建。
• 待核实：来源模型的表示形式、更新频率、重建流程、与 RAG/记忆系统的集成方式、训练与推理细节。

主要结果或产业意义

• 候选摘要称：在 5 个基准、3 个 LLM 后端上，SourceLearn 在 15 个设置中的 13 个取得最佳表现。
• 相比 Hybrid RAG，最高提升 22.6 个百分点；相对静态来源表示和基于经验的记忆基线，整体有显著提升。
• 产业意义待核实：若结果成立，该方法可能让企业知识库、科研文献库、法规/标准库等长期权威来源被智能体越用越“懂”，减少重复检索与组织成本，并形成可积累的来源资产。
• 待核实：基准名称、任务类型、指标、基线配置、统计显著性、成本、延迟和可复现性。

为什么重要

• 它把“检索/访问来源”与“学习来源”区分开：前者关注取回内容，后者关注形成对来源结构、解释方式和适用边界的持久理解。
• 对知识密集型智能体而言，这可能补足 RAG 与 agent-memory 之外的第三种能力：来源特定胜任力。
• 与既有脉络的关系：已有卡片涉及从论文修订、偏好反馈、失败轨迹中学习；本条若成立，增量在于把“重复使用同一权威来源”本身作为持续学习信号，而非仅从任务反馈或记忆轨迹中学习。两者是否可结合待核实。

局限与不确定性

• 正文未能抓取，无法核实论文的方法、实验、数据、作者、发表状态与结论。
• 候选摘要未说明“权威来源”的类型、来源更新与版本冲突如何处理。
• 未说明来源模型是否会固化错误、如何处理来源内部矛盾、如何避免过拟合到特定任务。
• 未说明学习信号与持久更新的安全性、可解释性、计算开销和遗忘机制。
• arXiv 编号 2610.02150v1、URL 可访问性及元数据完整性待核实。

可用于图书/PPT/简报的角度

• 从 RAG 到 Source Learning：智能体不只是会查资料，还要会“读透”一个来源。
• 智能体记忆的另一半：任务记忆 vs 来源模型。
• 两个学习闭环：自我导向回访 + 任务导向补缺。
• 企业知识资产新形态：把权威来源转化为可持久演化的来源模型。
• 评估问题：如何衡量“对来源的理解”，而非只衡量答案准确率。
• 风险视角：权威来源偏见、版本漂移、错误固化与更新治理。

原始材料

• 英文标题：From Knowledge Access to Source Learning: Developing Source-Specific Competence
• 英文关键词：给定材料未提供，待核实；可用主题字段为 foundation-model。
• 原始来源：https://arxiv.org/abs/2610.02150v1
• Track：academic
• Topics：foundation-model
• Manual title：From Knowledge Access to Source Learning: Developing Source-Specific Competence
• Candidate summary：Large language model (LLM) agents increasingly rely on persistent external sources to solve sequences of knowledge-intensive tasks. Existing methods improve how source content is accessed and organized, while agent-memory systems preserve reusable knowledge from prior interactions, but repeated use of the same source is still largely treated as repeated access rather than an opportunity to progressively improve understanding of that source. We study source learning: developing reusable source-specific competence over a persistent authoritative source. We represent this competence with a persistent source model that captures reusable understanding of the source, including how its knowledge is structured, interpreted, and applied. To construct and progressively refine such models, we propose SourceLearn, which combines two complementary learning mechanisms. Self-Directed Source Learning identifies what remains incompletely understood and adaptively revisits the source, while Task-Guided Source Learning uses downstream experience to reveal local representational gaps and recurring needs in how source knowledge should be organized. In both cases, learning signals determine what should be reconsidered, while persistent updates are reconstructed from the authoritative source. Across five benchmarks and three LLM backends, SourceLearn achieves the best performance in 13 of 15 settings, with gains of up to 22.6 points over Hybrid RAG and substantial overall improvements over static source representations and experience-based memory baselines.
• 备注：正文未抓取，以上仅基于给定元数据与候选摘要；细节待核实。