文章主要内容和创新点

主要内容

本文针对大型语言模型（LLM）驱动的AI代理在工具检索中存在的问题，提出了一种名为Tool Graph Retriever（TGR，工具图检索器）的方法。

• 背景：随着AI代理配备的工具数量激增，受限于模型上下文长度，需通过检索筛选工具。现有方法主要依赖用户查询与工具描述的语义相似性，忽略工具间的依赖关系，常遗漏任务执行必需的前置工具（如“更新邮箱”需先“验证”和“登录”，但现有方法可能仅检索到“更新邮箱”）。
• TGR核心步骤：
  1. 依赖识别：构建工具依赖识别数据集TDI300K，训练判别器以识别工具间的依赖关系（如t_a依赖t_b、无依赖、t_b依赖t_a）；
  2. 基于图的工具编码：将工具表示为节点、依赖关系为边的有向图，通过图卷积将依赖信息整合到工具表示中；
  3. 在线检索：使用整合依赖信息的工具表示计算与用户查询的相似度，完成检索。
• 实验结果：在API-Bank和ToolBench等数据集上，TGR显著提升了现有主流方法的检索性能（Recall、NDCG、Pass Rate指标），达到当前最优（SOTA）。

创新点

1. 提出TGR方