From Knowledge Access to Source Learning: Developing Source-Specific Competence

📄 arXiv: 2610.02150v1 📥 PDF

作者: Lucheng Fu, Kejing Xia, Yiyang Wang, Yiqiao Jin, Jinjin He, Xiyuan Yang, Haoxin Liu, Ye Yu, Haibo Jin, Yijia Xiao, Wenke Lee, B. Aditya Prakash, Haohan Wang

分类: cs.CL, cs.AI, cs.LG

发布日期: 2026-10-01

备注: Website: https://sourcelearn.github.io/ Code: https://github.com/luchengfu6/SourceLearn

💡 一句话要点

提出SourceLearn以解决源知识理解不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 源学习 大型语言模型 知识管理 自我导向学习 任务引导学习 持久更新 智能助手

📋 核心要点

  1. 现有方法在重复使用知识源时未能有效提升对源的理解，导致知识利用效率低下。
  2. 论文提出SourceLearn，通过自我导向源学习和任务引导源学习，逐步构建和优化源特定能力模型。
  3. 在五个基准测试和三个LLM后端上，SourceLearn在15个设置中取得了13个最佳性能，显著提升了源知识的应用效果。

📝 摘要（中文）

大型语言模型（LLM）代理越来越依赖持久的外部源来解决知识密集型任务序列。现有方法改善了源内容的访问和组织方式，而代理记忆系统则保留了来自先前交互的可重用知识。然而，重复使用同一源仍然被视为重复访问，而非逐步改善对该源理解的机会。我们研究了源学习：在持久权威源上发展可重用的源特定能力。我们提出SourceLearn，结合自我导向源学习和任务引导源学习两种互补的学习机制，显著提升了源知识的理解和应用能力。实验结果显示，SourceLearn在15个设置中取得了13个最佳性能，较Hybrid RAG提升高达22.6分。

🔬 方法详解

问题定义：论文要解决的问题是如何在重复使用知识源时有效提升对源的理解。现有方法主要集中在源内容的访问和组织，未能充分利用重复访问的机会来深化理解。

核心思路：论文的核心解决思路是通过SourceLearn构建一个持久的源模型，捕捉对源的可重用理解，并结合自我导向和任务引导的学习机制，逐步优化源知识的应用。

技术框架：整体架构包括两个主要模块：自我导向源学习和任务引导源学习。前者识别未完全理解的内容并适应性地重新访问源，后者利用下游经验揭示知识组织中的局部表示缺口。

关键创新：最重要的技术创新点在于将源学习与持久更新相结合，使得模型能够在多次交互中不断优化对源的理解，这与现有方法的静态表示形成鲜明对比。

关键设计：在设计中，SourceLearn使用了特定的学习信号来指导重新考虑的内容，并从权威源重建持久更新，确保知识的准确性和适用性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SourceLearn在15个设置中取得了13个最佳性能，相较于Hybrid RAG提升高达22.6分，且在静态源表示和基于经验的记忆基线中也表现出显著的整体改进，证明了其有效性。

🎯 应用场景

该研究的潜在应用领域包括教育、知识管理和智能助手等场景。通过提升对知识源的理解，LLM代理能够更有效地解决复杂任务，提供更准确的信息和建议，进而推动人机交互的智能化发展。

📄 摘要（原文）

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.