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