論文の概要: ToolScope: Enhancing LLM Agent Tool Use through Tool Merging and Context-Aware Filtering

• arxiv url: http://arxiv.org/abs/2510.20036v1
• Date: Wed, 22 Oct 2025 21:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.847227
• Title: ToolScope: Enhancing LLM Agent Tool Use through Tool Merging and Context-Aware Filtering
• Title（参考訳）: ToolScope: ツールマージとコンテキスト対応フィルタリングによるLLMエージェントツールの強化
• Authors: Marianne Menglin Liu, Daniel Garcia, Fjona Parllaku, Vikas Upadhyay, Syed Fahad Allam Shah, Dan Roth,
• Abstract要約: 大規模言語モデル(LLM)エージェントは複雑なタスクを解決するために外部ツールに依存している。 LLMはまた、入力コンテキストの厳しい制限に直面し、大きなツールセットの効率的な考慮を妨げている。 本稿では,(1)ToolScopeMergerとAuto-Correction,(2)ToolScopeRetriever,(2)ToolScopeMerger,(2)ToolScopeMerger,(3)ToolScopeMerger,(3)To olScopeMerger,(3)ToolScopeMerger,(3)ToolScopeMerger,(3)ToolScopeMerger,(2)ToolScopeMerger,(2)ToolSco peMerger,(2)ToolScopeRetriever,の2つを提案する。
• 参考スコア（独自算出の注目度）: 37.406100634766645
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language model (LLM) agents rely on external tools to solve complex tasks, but real-world toolsets often contain redundant tools with overlapping names and descriptions, introducing ambiguity and reducing selection accuracy. LLMs also face strict input context limits, preventing efficient consideration of large toolsets. To address these challenges, we propose ToolScope, which includes: (1) ToolScopeMerger with Auto-Correction to automatically audit and fix tool merges, reducing redundancy, and (2) ToolScopeRetriever to rank and select only the most relevant tools for each query, compressing toolsets to fit within context limits without sacrificing accuracy. Evaluations on three state-of-the-art LLMs and three open-source tool-use benchmarks show gains of 8.38% to 38.6% in tool selection accuracy, demonstrating ToolScope's effectiveness in enhancing LLM tool use.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは複雑なタスクを解決するために外部ツールに依存しているが、現実世界のツールセットには、名前と記述が重複する冗長なツールが含まれており、曖昧さを導入し、選択の精度を低下させる。 LLMはまた、入力コンテキストの厳しい制限に直面し、大きなツールセットの効率的な考慮を妨げている。 これらの課題に対処するために、(1)ToolScopeMergerとAuto-Correctionを併用してツールマージの自動監査と修正、冗長性の低減、(2)ToolScopeRetrieverはクエリ毎に最も関連性の高いツールのみをランク付けして選択し、ツールセットを精度を犠牲にすることなくコンテキスト制限内に適合するように圧縮するToolScopeを提案する。 最先端の3つのLLMとオープンソースの3つのツール使用ベンチマークの評価では、ツール選択の精度が8.38%から38.6%向上し、ツールスコープがLLMツールの使用を向上させる効果を示した。

関連論文リスト

• PTR: Precision-Driven Tool Recommendation for Large Language Models [43.53494041932615]
  大規模言語モデル(LLM)のためのPTR(Precision-driven Tool Recommendation)アプローチを提案する。 PTRは、過去のツールバンドルの利用を利用して、初期的かつ簡潔なツールセットをキャプチャし、ツールマッチングを実行することで、ツールセットを動的に調整する。 LLMのツールレコメンデーションの有効性を評価するために,新しいデータセットRecToolsとメトリクスTRACCを提案する。
  論文  参考訳（メタデータ） (2024-11-14T17:33:36Z)
• Don't Fine-Tune, Decode: Syntax Error-Free Tool Use via Constrained Decoding [11.51687663492722]
  大きな言語モデル(LLM)は多くのタスクで優れていますが、複雑な構文制約のため、外部ツールの使用に失敗することが多いのです。 本研究では,有限状態マシンを用いた復号アルゴリズムTOOLDECを提案する。 実験の結果、TOOLDECはすべての構文エラーを排除し、様々なベースモデルやベンチマークのパフォーマンスが大幅に向上した。
  論文  参考訳（メタデータ） (2023-10-10T23:37:53Z)
• MetaTool Benchmark for Large Language Models: Deciding Whether to Use Tools and Which to Use [79.87054552116443]
  大規模言語モデル(LLM)は、その印象的な自然言語処理(NLP)能力のために大きな注目を集めている。 このベンチマークは、LLMがツールの使用意識を持ち、ツールを正しく選択できるかどうかを評価するためのものだ。 8つの人気のあるLCMを巻き込んだ実験を行い、その大半は依然として効果的にツールを選択するのに苦労していることがわかった。
  論文  参考訳（メタデータ） (2023-10-04T19:39:26Z)
• Large Language Models as Tool Makers [85.00361145117293]
  我々はLLM A s Tool Makers (LATM) と呼ばれるクローズドループフレームワークを導入する。 ツール作成: 1 つのツール作成: LLM がタスクセットのためのツールを作成するツールメーカとして機能する 2 つのツール使用: 別の LLM がツールユーザとして機能し、ツールメーカが問題解決のために構築したツールを適用する。
  論文  参考訳（メタデータ） (2023-05-26T17:50:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。