Tool Retrieval Hypergraph LLM Agents Set-level Prediction
摘要

大型语言模型(LLM)Agent 日益依赖外部工具完成现实任务,工具检索成为关键环节。现有方法多孤立评分或顺序组装工具,忽视候选集合的整体效用。本文提出 HYSET,将工具检索建模为工具共现超图上的查询条件超边预测,以工具集为评分单元。该方法捕捉了依赖规模的工具兼容性,并作为无需修改下游 Agent 的预筛选模块。在 ToolBench 上的实验表明,HYSET 在检索性能及端到端任务成功率上均优于最先进基线,且具备优异的零样本/少样本迁移能力。

AI 推荐理由

论文核心研究工具检索机制,直接决定 Agent 技能选择与调用效率,属技能学习关键组件。

研究机构
School of Mathematical Sciences, Shanghai Jiao Tong University Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University
论文信息
作者 Xinyi Hong, Pinjun Dong, Xinyang Yu, Binyan Jiang
发布日期 2026-07-28
arXiv ID 2607.25718
相关性评分 9/10 (高度相关)