LoSemB：面向工具检索的逻辑引导语义桥接

工具学习已成为大型语言模型 (LLM) 解决众多实际任务的有前景范式。尽管如此，随着工具库的快速扩张，将所有工具纳入 LLM 受限输入长度的限制是不可行的。为缓解这些问题，研究人员探索了 incorporating tool 检索模块来选择最相关的工具或将工具表示为 LLM 参数中的唯一 token。然而，大多数最先进的方法处于 transductive 环境下，假设在训练期间已观察到所有工具。这种设置与现实相去甚远，因为实际的工具库正在不断演变并频繁添加新工具。当处理这些在训练期间未遇到的工具时，这些方法受限于两个关键问题，包括大的分布偏移和基于相似性检索的脆弱性。为此，灵感来自人类通过发现和应用先前经验中逻辑信息来掌握未遇工具的过程，我们引入一种新的 Logic-Guided Semantic Bridging 框架用于归纳工具检索，称为 LoSemB，其旨在在不昂贵再训练的情况下，从潜在逻辑信息中寻找和传递信息以进行归纳工具检索。具体而言，LoSemB 包含一个基于逻辑的嵌入对齐模块来缓解分布偏移，并实现关系增强检索机制以减少基于相似性检索的脆弱性。广泛的实验表明，LoSemB 在归纳设置下实现了先进的性能，同时在 transductive 设置下保持良好的效果。