論文の概要: Tools Are Not Islands: Set-Level Tool Retrieval for LLM Agents via Query-Conditioned Hyperedge Prediction
- arxiv url: http://arxiv.org/abs/2607.25718v2
- Date: Wed, 29 Jul 2026 16:33:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 14:21:10.734807
- Title: Tools Are Not Islands: Set-Level Tool Retrieval for LLM Agents via Query-Conditioned Hyperedge Prediction
- Title（参考訳）: ツールが島ではない:クエリ定義ハイパーエッジ予測によるLCMエージェントのセットレベルツール検索
- Authors: Xinyi Hong, Pinjun Dong, Xinyang Yu, Binyan Jiang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.596769167229008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) agents increasingly rely on invoking external tools to complete real-world tasks. Tool retrieval, which selects a small task-relevant subset from a library of thousands of tools before the agent acts, has therefore become a critical component of LLM agent pipelines. However, existing retrievers either score each tool in isolation or assemble the tool set sequentially, so the joint utility of a candidate set is never evaluated as a whole. In this paper, we propose HYSET, short for HYperedge-based SEt-level Tool retrieval. Our contributions are threefold: (i) we formulate tool retrieval as query-conditioned hyperedge prediction on a tool co-invocation hypergraph, under which the tool set itself becomes the unit of scoring and most existing retrieval paradigms reduce to restricted instances; (ii) we capture size-dependent tool compatibility through cardinality-specific interactions; and (iii) we design HYSET as a pre-selection module requiring no modification to the downstream agent. Experiments on ToolBench demonstrate that HYSET consistently outperforms state-of-the-art baselines in both tool retrieval performance and end-to-end task success. Beyond the in-domain setting, HYSET further supports zero-shot/few-shot transfer, generalizing to held-out tools/categories and unseen domains with minimal supervision.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、現実世界のタスクを完了させるために外部ツールの呼び出しにますます依存している。
エージェントが動作する前に数千のツールのライブラリから小さなタスク関連サブセットを選択するツール検索は、LLMエージェントパイプラインの重要なコンポーネントとなっている。
しかし、既存の検索者は、それぞれのツールを個別にスコアするか、ツールセットを順次組み立てるかのいずれかなので、候補セットのジョイントユーティリティを全体として評価することはない。
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。
私たちの貢献は3倍です。
一 ツールセット自体がスコアリングの単位となり、既存の検索パラダイムが制限されたインスタンスに還元されるツール共起動ハイパーグラフにおいて、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する。
(II)基数依存的な相互作用によってサイズ依存ツールの互換性を捉える。
3) HYSETを選択前モジュールとして設計し, 下流エージェントの変更は不要である。
ToolBenchの実験では、HYSETはツール検索性能とエンドツーエンドタスクの成功の両方において、最先端のベースラインを一貫して上回っている。
ドメイン内の設定以外にも、HYSETはさらにゼロショット/フェーショット転送をサポートし、ホールドアウトツール/カテゴリや監視が最小限の未確認ドメインに一般化されている。
関連論文リスト
- SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。
Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。
我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2026-06-15T11:37:37Z) - ToolFlood: Beyond Selection -- Hiding Valid Tools from LLM Agents via Semantic Covering [2.6928305857508974]
本稿では,ツール拡張型Large Language Model (LLM)エージェントに対する検索層攻撃であるToolFloodを紹介する。
検索後にどのツールが選択されるかを変更するのではなく、ToolFloodは、いくつかのアタッカー制御ツールを注入することで、検索自体を圧倒する。
ToolFloodは、95%のアタック成功率と低インジェクション率を実現している。
論文 参考訳（メタデータ） (2026-03-14T13:54:49Z) - Learning to Rewrite Tool Descriptions for Reliable LLM-Agent Tool Use [21.666294374943178]
トレースリッチな設定からトレースフリーなデプロイメントへ監督を移行するカリキュラム学習フレームワークを提案する。
実験では、予期せぬツール、強力なクロスドメインの一般化、そして、候補ツールの数が100を超えるほど堅牢性に一貫した向上が示されている。
論文 参考訳（メタデータ） (2026-02-23T23:50:24Z) - ToolLibGen: Scalable Automatic Tool Creation and Aggregation for LLM Reasoning [80.10274552177096]
外部ツールを備えたLarge Language Models (LLM) は、複雑な推論タスクにおけるパフォーマンスの向上を実証している。
このツールに強化された推論が広く採用されるのは、ドメイン固有のツールが不足しているためである。
構造化ツールライブラリに非構造化ツールのコレクションを自動的に組み込むための体系的なアプローチを提案する。
論文 参考訳（メタデータ） (2025-10-09T04:11:16Z) - 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) - 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) - 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)
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。