論文の概要: QueryWeaver: Reliable Multi-Tool Query Execution Planning via LLM-Based Graph Generation

• arxiv url: http://arxiv.org/abs/2606.08300v1
• Date: Sat, 06 Jun 2026 18:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.02813
• Title: QueryWeaver: Reliable Multi-Tool Query Execution Planning via LLM-Based Graph Generation
• Title（参考訳）: QueryWeaver: LLMベースのグラフ生成による信頼性の高いマルチツールクエリ実行計画
• Authors: Aishwarya Chakravarthy, Vidhi Kulkarni, Duen Horng Chau,
• Abstract要約: 本稿では,自然言語クエリを構造化グラフに変換し,決定論的プランナを用いて実行するシステムを提案する。 提案手法では, 依存関係の解決とツール間の統合, 信頼性の向上, 従来のキーワードベース検索を超えたクエリの実現を行う。
• 参考スコア（独自算出の注目度）: 19.901133045989514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world queries over personal data span multiple applications and require structured planning, as individual tools expose only partial information. While LLMs show strong reasoning and tool use, reliably executing multi-step, cross-tool queries remains challenging. We introduce a system that converts natural language queries into structured graphs and executes them via a deterministic planner. Our approach uses depth-first search to resolve dependencies and combine results across tools, improving reliability and enabling queries beyond traditional keyword-based search. We demonstrate high accuracy even with smaller or locally hosted LLMs.
• Abstract（参考訳）: パーソナルデータに対する現実的なクエリの多くは、複数のアプリケーションにまたがっていて、個々のツールが部分的な情報のみを公開するため、構造化された計画を必要とする。 LLMは強力な推論とツールの使用を示しているが、マルチステップで確実に実行するのに対して、クロスツールクエリは依然として困難である。 本稿では,自然言語クエリを構造化グラフに変換し,決定論的プランナを用いて実行するシステムを提案する。 提案手法では, 依存関係の解決とツール間の統合, 信頼性の向上, 従来のキーワードベース検索を超えたクエリの実現を行う。 より小型またはローカルにホストされたLLMでも高い精度を示す。

関連論文リスト

• RelAgent: LLM Agents as Data Scientists for Relational Learning [16.494534572858125]
  RelAgentはリレーショナルデータベースに基づく学習のための自律科学者である。 検索フェーズと推論フェーズの2つのフェーズで動作します。 機能は可読性があり、予測は結果のクエリ定義機能マップに依存する。
  論文  参考訳（メタデータ） (2026-05-08T15:06:12Z)
• Improving Tool Retrieval by Leveraging Large Language Models for Query Generation [16.7926347207647]
  コンテキスト内学習は、プロンプトで関連するツールの短いリストを提供することができる。 本稿では,Large Language Models (LLM) を用いて検索クエリを生成することを提案する。 生成されたクエリは埋め込みされ、最も近い隣の検索を通じて最も関連性の高いツールを見つけるために使用される。
  論文  参考訳（メタデータ） (2024-11-17T03:02:09Z)
• Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
  現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。 既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。 我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
  論文  参考訳（メタデータ） (2024-05-25T06:41:23Z)
• 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)
• Querying Large Language Models with SQL [16.383179496709737]
  多くのユースケースでは、情報はテキストに格納されるが、構造化データでは利用できない。 事前訓練されたLarge Language Models (LLMs) の台頭に伴い、大量のテキストコーパスから抽出された情報を保存および使用するための効果的なソリューションが現在存在する。 本稿では,従来のデータベースアーキテクチャに基づくプロトタイプであるGaloisについて紹介する。
  論文  参考訳（メタデータ） (2023-04-02T06:58:14Z)

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。