LLM 智能体应该看到多少工具？一个经机会校正的回答

在 LLM 智能体使用工具前，检索系统需决定展示哪些候选工具及其数量。现有系统多采用固定短列表大小，缺乏评估标准。本文提出将展示工具数量作为评估对象，应用“超越随机比特数”（BoR）这一机会校正指标，衡量特定深度下的成功率是否优于随机选择。研究进一步将该原理转化为强化学习奖励，以动态选择每个查询的工具列表深度。实验表明，自适应策略在大幅减少平均展示工具数的同时，显著提升了困难查询下的工具覆盖率及下游模型的选择准确率。