Fugu-MT 論文翻訳(概要): QueryWeaver: Reliable Multi-Tool Query Execution Planning via LLM-Based Graph Generation

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
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)
RaTA-Tool: Retrieval-based Tool Selection with Multimodal Large Language Models [57.15854852525046]
オープンワールドマルチモーダルツール選択のための新しいフレームワークであるRaTA-Toolを紹介する。提案手法により,MLLMはマルチモーダルクエリを構造化されたタスク記述に変換し,次に最も適切なツールを検索することができる。タスク記述とツール選択の整合性をさらに向上するため、好みに基づく最適化段階を取り入れた。
論文参考訳（メタデータ） (2026-04-16T12:47:09Z)
DeepMMSearch-R1: Empowering Multimodal LLMs in Multimodal Web Search [61.77858432092777]
DeepMMSearch-R1は,オンデマンドでマルチターンWeb検索が可能な,最初のマルチモーダルな大規模言語モデルである。 DeepMMSearch-R1は、画像検索をより効果的にするために、入力画像の関連する作物に基づいてWeb検索を開始することができる。我々は、アプローチの優位性を実証するために、知識集約型ベンチマークを幅広く実施する。
論文参考訳（メタデータ） (2025-10-14T17:59:58Z)
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)
Leveraging LLMs to Enable Natural Language Search on Go-to-market Platforms [0.23301643766310368]
販売者向けのZoominfo製品向けのソリューションの実装と評価を行い、自然言語による大規模言語モデルの実現を促す。中間検索フィールドは、構文エラーの除去など、クエリ毎に多くの利点を提供する。提案手法の有効性を実証するために, クローズド, オープンソース, 微調整 LLM モデルを用いた総合実験を行った。
論文参考訳（メタデータ） (2024-11-07T03:58:38Z)
Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
論文参考訳（メタデータ） (2024-06-19T00:28:58Z)
CHESS: Contextual Harnessing for Efficient SQL Synthesis [1.9506402593665235]
効率的でスケーラブルなテキスト・ツー・クエリのためのフレームワークであるCHESSを紹介します。特殊エージェントは4つあり、それぞれが上記の課題の1つをターゲットにしている。私たちのフレームワークは、さまざまなデプロイメント制約に適応する機能を提供する。
論文参考訳（メタデータ） (2024-05-27T01:54:16Z)
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)
Planning, Creation, Usage: Benchmarking LLMs for Comprehensive Tool Utilization in Real-World Complex Scenarios [93.68764280953624]
UltraToolは、ツール利用におけるLarge Language Modelsの能力を改善し評価するために設計された、新しいベンチマークである。現実の複雑さを強調し、効果的な問題解決のために正確で多段階の計画を必要とする。 UltraToolの重要な特徴は、ツールの使用前に発生する自然言語による計画の独立した評価である。
論文参考訳（メタデータ） (2024-01-30T16:52:56Z)
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。