Tool Retrieval Bridge：通过桥接模型对齐模糊指令与检索器偏好
计算与语言
2026-04-10 v1
摘要
工具学习已成为大语言模型 (LLM) 应对现实挑战的有前景的范式。由于工具数量庞大且更新频繁，针对特定任务选择所需工具子集的工具检索至关重要。然而，当前工具检索方法通常基于包含过于详细指令 (如特定 API 名称和参数) 的学术基准测试，而现实场景中的指令更为模糊。这种差异会阻碍现实应用中的工具检索。本文首先构建新的基准 VGToolBench，以模拟人类模糊指令。基于此，我们进行一系列初步分析，发现模糊指令确实损害工具检索性能。为此，我们提出一种简单而有效的 Tool Retrieval Bridge (TRB) 方法，以提升模糊指令下工具检索的性能。TRB 的原理是引入桥接模型，将模糊指令改写为更具体的指令，从而减轻模糊指令与检索器偏好之间的鸿沟。我们在多个常用检索设置下进行大量实验，结果表明 TRB 有效缓解了模糊指令的歧义，同时在所有基线检索器上均实现一致且显著的提升。例如，借助 TRB，BM25 实现了最高可达 111.51% 的相对提升，即将平均 NDCG 分数从 9.73 提升至 19.59。源代码和模型已公开于 https://github.com/kfchenhn/TRB。
关键词
引用
@article{arxiv.2604.07816,
title = {Tool Retrieval Bridge: Aligning Vague Instructions with Retriever Preferences via Bridge Model},
author = {Kunfeng Chen and Luyao Zhuang and Fei Liao and Juhua Liu and Jian Wang and Bo Du},
journal= {arXiv preprint arXiv:2604.07816},
year = {2026}
}
备注
14 pages, 6 figures