論文の概要: Tool-to-Agent Retrieval: Bridging Tools and Agents for Scalable LLM Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2511.01854v2
• Date: Tue, 04 Nov 2025 16:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.383144
• Title: Tool-to-Agent Retrieval: Bridging Tools and Agents for Scalable LLM Multi-Agent Systems
• Title（参考訳）: ツール・ツー・エージェント検索:スケーラブルLLMマルチエージェントシステムのためのブリッジツールとエージェント
• Abstract要約: ツールと親エージェントの両方を共有ベクトル空間に埋め込む統合フレームワークであるTool-to-Agent Retrievalを紹介する。 ツールの機能を明示的に表現し,メタデータをエージェントレベルにトラバースすることで,ツールからエージェントレベルの詳細な検索が可能になる。
• 参考スコア（独自算出の注目度）: 1.2092584191043323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in LLM Multi-Agent Systems enable scalable orchestration of sub-agents, each coordinating hundreds or thousands of tools or Model Context Protocol (MCP) servers. However, existing retrieval methods typically match queries against coarse agent-level descriptions before routing, which obscures fine-grained tool functionality and often results in suboptimal agent selection. We introduce Tool-to-Agent Retrieval, a unified framework that embeds both tools and their parent agents in a shared vector space and connects them through metadata relationships. By explicitly representing tool capabilities and traversing metadata to the agent level, Tool-to-Agent Retrieval enables granular tool-level or agent-level retrieval, ensuring that agents and their underlying tools or MCP servers are equally represented without the context dilution that arises from chunking many tools together. Evaluating Tool-to-Agent Retrieval across eight embedding models, our approach achieves consistent improvements of 19.4% in Recall@5 and 17.7% in nDCG@5 over previous state-of-the-art agent retrievers on the LiveMCPBench benchmark.
• Abstract（参考訳）: LLM Multi-Agent Systemsの最近の進歩は、数百から数千のツールやMCP(Model Context Protocol)サーバを協調するサブエージェントのスケーラブルなオーケストレーションを可能にする。 しかし、既存の検索手法は、ルーティングの前に粗いエージェントレベルの記述とクエリを一致させるのが一般的である。 Tool-to-Agent Retrievalは、ツールと親エージェントの両方を共有ベクトル空間に埋め込んで、メタデータの関係を通じてそれらを接続する統合フレームワークです。 ツールの機能を明示的に表現し、エージェントレベルにメタデータをトラバースすることで、ツールからエージェントレベルの検索を可能にする。 ツール・ツー・エージェント検索を8つの埋め込みモデルで評価し、LiveMCPBenchベンチマークの以前の最先端エージェント検索よりも、Recall@5で19.4%、nDCG@5で17.7%の一貫した改善を実現した。

関連論文リスト

• Forgotten in Weights, Recovered by Tools: Agentic Tool Unlearning for LLM Agents [54.050506620820784]
  エージェントツールアンラーニング(ATU)は、通常のツール使用を保持しながら、パラメトリックリコールとツールによるリカバリの両方を削減することを目的としている。 ATUは、ツール強化されたエージェントデプロイメント下で、ターゲットの忘れと保持ユーティリティのバランスを向上し、未学習をより堅牢にする。
  論文  参考訳（メタデータ） (2026-08-21T18:34:48Z)
• Tools Are Not Islands: Set-Level Tool Retrieval for LLM Agents via Query-Conditioned Hyperedge Prediction [4.596769167229008]
  本稿では,HyperedgeベースのSEtレベルツール検索のためのHYSETを提案する。 i)ツールセット自体がスコアの単位となるツール共起動ハイパーグラフ上でのクエリ条件付きハイパーエッジ予測としてツール検索を定式化し、(ii)濃度固有の相互作用を通じてサイズに依存したツール互換性をキャプチャし、(iii)下流エージェントの変更を必要としない事前選択モジュールとしてHYSETを設計する。
  論文  参考訳（メタデータ） (2026-07-28T13:45:08Z)
• ALARA for Agents: Least-Privilege Context Engineering Through Portable Composable Multi-Agent Teams [0.0]
  宣言型コンテキストエージェント・ツール(CAT)データ層を関連ファイルを通じて表現し,各エージェントのツールアクセスとコンテキストを,その役割に必要な最小限に制限する。 システムがこれらのファイルを構造的に解析し強制するため、エージェントのツールリストを変更することで、モデルが従うかもしれない、あるいは従わないかもしれないという提案よりも、保証された振る舞いの変更が生成される。 我々は,ファイル操作,Web検索,マルチステップスクリプティング,ツールチェーン,マルチエージェントデリゲートにまたがる115の実用的なタスクに対して,0.6Bから35Bパラメータのローカルホストモデル22を評価した。
  論文  参考訳（メタデータ） (2026-03-20T18:00:09Z)
• AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
  AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。 異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-03-04T06:17:51Z)
• Tool-RoCo: An Agent-as-Tool Self-organization Large Language Model Benchmark in Multi-robot Cooperation [22.3749206046041]
  本研究では,大規模言語モデル(LLM)を長期的マルチエージェント協調で評価するための新しいベンチマークであるTool-RoCoを提案する。 Tool-RoCoは、他のエージェントをツールとして扱い、協調ツールを導入し、ツールの使用を利用してマルチエージェントの協力と自己組織化を評価する。
  論文  参考訳（メタデータ） (2025-11-26T15:45:33Z)
• Agent-as-a-Graph: Knowledge Graph-Based Tool and Agent Retrieval for LLM Multi-Agent Systems [1.2092584191043323]
  本稿では,知識グラフにおいて,ツールと親エージェントをノードとして,エッジとして表現する知識グラフ検索拡張手法であるエージェント・アズ・ア・グラフ検索を紹介する。 我々はLiveMCPBenchmark上でAgent-as-a-Graphを評価し、Recall@5とnDCG@5の14.9%と14.6%の改善を実現した。
  論文  参考訳（メタデータ） (2025-11-22T21:24:16Z)
• DeepAgent: A General Reasoning Agent with Scalable Toolsets [111.6384541877723]
  DeepAgentは、自律的な思考、ツール発見、アクション実行を実行するエンドツーエンドのディープ推論エージェントである。 長期にわたる相互作用の課題に対処するために,過去の相互作用を構造化エピソード,動作,ツール記憶に圧縮する自律的メモリ折り畳み機構を導入する。 LLMシミュレートされたAPIを活用し、ツール呼び出しトークンにきめ細かいクレジットを割り当てるツールコールアドバンテージ属性を適用した、エンドツーエンドの強化学習戦略であるToolPOを開発した。
  論文  参考訳（メタデータ） (2025-10-24T16:24:01Z)
• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• InfoAgent: Advancing Autonomous Information-Seeking Agents [143.15973604285304]
  本稿では,革新的なデータ合成パイプラインとWeb検索ツールを駆使したディープリサーチエージェントInfoAgentを紹介する。 我々の方法では、InfoAgentはBrowseCompで15.3%、BrowseComp-ZHで29.2%、Xbench-DSで40.4%の精度を達成した。
  論文  参考訳（メタデータ） (2025-09-29T17:59:57Z)
• AgentOrchestra: Orchestrating Hierarchical Multi-Agent Intelligence with the Tool-Environment-Agent(TEA) Protocol [22.406849007798858]
  本稿では,環境,エージェント,ツールを統一システムに統合するツール-環境-エージェントプロトコルを提案する。 本稿では,複雑な目的を分解し,特殊エージェントをコーディネートする中央計画エージェントを備えた階層型マルチエージェントフレームワークであるAgensOrchestraを紹介する。
  論文  参考訳（メタデータ） (2025-06-14T13:45:37Z)
• Multi-modal Agent Tuning: Building a VLM-Driven Agent for Efficient Tool Usage [75.76940471949366]
  本稿では,マルチモーダルツール使用データを自動的に生成するマルチモーダルエージェントチューニング手法を提案する。 データ品質を維持するため、GPT-4oミニモデルにクエリ、ファイル、トラジェクトリを生成するよう促す。 T3-Agentは2つの人気のあるVLMの改良を一貫して達成している。
  論文  参考訳（メタデータ） (2024-12-20T07:00:46Z)
• Toolshed: Scale Tool-Equipped Agents with Advanced RAG-Tool Fusion and Tool Knowledge Bases [0.0]
  強化されたツール表現を格納するように設計されたツール知識ベース(ベクトルデータベース)であるToolshed Knowledge Basesを紹介する。 RAG-Tool Fusion(Advanced RAG-Tool Fusion)も提案する。 このアプローチでは,ToolEシングルツール,ToolEマルチツール,Seal-Toolsベンチマークデータセットの46%,56%,絶対的な改善を実現しています。
  論文  参考訳（メタデータ） (2024-10-18T16:44:22Z)
• Re-Invoke: Tool Invocation Rewriting for Zero-Shot Tool Retrieval [47.81307125613145]
  Re-Invokeは、トレーニングなしで大規模ツールセットに効果的にスケールするために設計された教師なしツール検索手法である。 我々は、クエリ毎に最も関連性の高いツールを特定するために、意図に基づいて、新しいマルチビュー類似度ランキング戦略を採用する。 評価の結果、Re-Invokeはシングルツールとマルチツールの両方のシナリオにおいて、最先端の代替よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-03T22:49:27Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)

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。