面向轻量级函数调用的动态工具依赖检索
机器学习
2026-04-20 v4
摘要
由大型语言模型（LLM）驱动的函数调用代理选择外部工具以自动化复杂任务。嵌入式代理通常使用检索模块选择相关工具，以提升性能并减少上下文长度。然而，现有检索方法依赖于静态且有限的输入，无法捕捉多步骤工具依赖和演变中的任务上下文。这种限制常导致引入无关工具，误导代理，降低效率和准确性。我们提出动态工具依赖检索（Dynamic Tool Dependency Retrieval, DTDR），一种轻量级检索方法，同时以初始查询和演变中的工具调用计划为条件。DTDR从函数调用演示中建模工具依赖，实现计划展开时的自适应检索。我们在多个数据集和LLM架构上对DTDR进行基准测试，评估检索精度、下游任务准确性和计算效率。此外，我们探讨将检索到的工具整合到提示中的策略。我们的结果表明，与最先进的静态检索器相比，DTDR在函数调用成功率上提高了23%至104%。
引用
@article{arxiv.2512.17052,
title = {Dynamic Tool Dependency Retrieval for Lightweight Function Calling},
author = {Bhrij Patel and Davide Belli and Amir Jalalirad and Maximilian Arnold and Aleksandr Ermolov and Bence Major},
journal= {arXiv preprint arXiv:2512.17052},
year = {2026}
}
备注
24 pages, 6 figures, 8 tables