Re-Invoke：用于零样本工具检索的工具调用重写
计算与语言
2024-09-24 v2
摘要
近期大型语言模型（LLM）的进展使具备复杂推理与任务完成能力的自主代理得以实现，广泛依赖多种工具。然而，随着工具集合规模的扩大，有效识别给定任务最相关工具成为关键瓶颈，制约了可靠的工具利用。为此，我们引入 Re-Invoke，这是一种无监督工具检索方法，旨在有效扩展至大规模工具集合。具体而言，我们在工具索引阶段生成多样化的合成查询，以全面覆盖每个工具文档相关查询空间的不同方面。随后，我们利用 LLM 的查询理解能力，从用户查询中提取关键工具相关上下文与潜在意图。在推理阶段，我们采用基于意图的多视图相似度排序策略，以精准定位每个查询最相关的工具。我们的评估表明，Re-Invoke 在单工具与多工具场景下均显著优于最先进的替代方案，且全部在无监督设置下完成。值得注意的是，在 ToolE 数据集上，单工具检索的 nDCG@5 提升 20%，多工具检索提升 39%。
引用
@article{arxiv.2408.01875,
title = {Re-Invoke: Tool Invocation Rewriting for Zero-Shot Tool Retrieval},
author = {Yanfei Chen and Jinsung Yoon and Devendra Singh Sachan and Qingze Wang and Vincent Cohen-Addad and Mohammadhossein Bateni and Chen-Yu Lee and Tomas Pfister},
journal= {arXiv preprint arXiv:2408.01875},
year = {2024}
}
备注
EMNLP Findings 2024