論文の概要: SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG

• arxiv url: http://arxiv.org/abs/2608.21375v1
• Date: Fri, 03 Jul 2026 02:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.317656
• Title: SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG
• Title（参考訳）: SchemaRouter: 効率的なヘテロジニアスエージェントRAGのためのフィールド対応ツールルーティング
• Abstract要約: ツール、エンドポイント、パラメータ、レスポンスフィールド、ドメイン概念、ユニット、証明、およびライセンスポリシーをスキーマグラフとして表現する軽量なルーティング層を提供する。 110クエリの材料科学ベンチマークでは、オーバーラップした信頼区間内でのフェッチフルシングに一致する解の精度が0.71に達する。 227個の検索済みコンテキストトークンと2,066個のフェッチと2.7倍のエンド・ツー・エンドのレイテンシを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous agentic retrieval-augmented generation (RAG) systems increasingly orchestrate external APIs, internal databases, vector stores, and graph stores. Exposing all tool descriptions to an LLM agent, or selecting tools only by vector similarity, causes two costly failures: over-fetching, which increases payload size, token use, and latency, and under-fetching, which omits fields needed to answer the query. We present SchemaRouter, a lightweight routing layer that represents tools, endpoints, parameters, response fields, domain concepts, units, provenance, and license policies as a schema graph. Given a query, SchemaRouter emits an executable tool plan specifying which tools to call and which fields to retrieve. A small LLM extracts intent, concepts, and source constraints, while field selection is deterministic over the graph through intent-group projection and concept-field matching with an alias layer. On a materials-science benchmark of 110 queries, SchemaRouter achieves answer accuracy of 0.71, matching fetch-everything within overlapping confidence intervals and exceeding prompt-all's 0.66, though their intervals overlap. It uses 227 retrieved-context tokens versus 2,066 for fetch-everything and achieves 2.7x lower end-to-end latency than prompt-all. It also obtains the best tool-exact rate of 0.93 and parameter validity of 1.0. SchemaRouter grounds provenance and license information in 62 percent of answers, compared with approximately 0 percent for all baselines. We also find that minimizing selected-field count is counterproductive: it reduces answer accuracy to 0.56 with negligible token savings, while recall-preserving projection restores top accuracy. SchemaRouter improves efficiency, schema-size-independent scaling, and verifiable provenance/license-grounded answering at competitive accuracy.
• Abstract（参考訳）: 不均一なエージェント検索拡張生成(RAG)システムは、外部API、内部データベース、ベクトルストア、グラフストアを編成する傾向にある。 LLMエージェントにすべてのツール記述を公開したり、ベクトル類似性のみでツールを選択すると、オーバーフェッチ(ペイロードサイズの増加、トークン使用、レイテンシ)とアンダーフェッチ(クエリ応答に必要なフィールドを省略)という2つのコストのかかる障害が発生します。 SchemaRouterは、ツール、エンドポイント、パラメータ、レスポンスフィールド、ドメイン概念、ユニット、証明、ライセンスポリシーをスキーマグラフとして表現する軽量なルーティング層です。 クエリが与えられた場合、SchemaRouterは、どのツールを呼び出すか、どのフィールドを取得するかを指定する実行可能なツールプランを発行する。 小さな LLM はインテント、概念、ソースの制約を抽出するが、フィールドの選択はインテント・グループ・プロジェクションとコンセプト・フィールド・マッチングをエイリアス層と組み合わせることでグラフ上で決定論的である。 110クエリの材料科学ベンチマークでは、SchemaRouterは0.71の解の精度を達成し、重なり合う信頼区間内で全てのフェッチをマッチングし、その間隔は重なるが、プロンプトオールの0.66を超える。 227個の検索済みコンテキストトークンと2,066個のフェッチ・アブリシングを使用しており、プロンプト・オールよりも2.7倍低レイテンシを実現している。 また、最高のツール・エクサクティヴレートが0.93であり、パラメータの妥当性が1.0である。 SchemaRouterは62%の回答の証明とライセンス情報を根拠にしている。 また、選択フィールド数の最小化は非生産的であり、解答精度を0.56に削減し、トークンの保存を無視し、リコール保存プロジェクションは最高精度を復元する。 SchemaRouterは効率、スキーマサイズに依存しないスケーリング、検証可能な証明/ライセンス付き回答を競合精度で改善する。

関連論文リスト

• Joint Optimization of Tool Creation and Use for Large Language Model Agents [69.07066297088187]
  SMITH (-grounded Multi-task Iterative Tool Honing) は、単一のポリシー内でツールの作成とツールの使用を訓練する。 SMITHで訓練された4B Qwen3は、正確に検証された13の手続き的推論タスクで、保持されたタスクで平均79.8のマクロ平均精度に達する。 また、TabMWP-Hardでは40.4、ドメイン外のGQAでは42.6に到達している。
  論文  参考訳（メタデータ） (2026-08-25T13:59:34Z)
• Hybrid Semantic Tool Discovery for Enterprise MCP Gateway: Architecture and Implementation [1.6774701449274187]
  大規模言語モデル(LLM)エージェントは、事前訓練された知識以上の情報を検索し、推論するために外部ツールを起動する。 Model Context Protocol (MCP)はそのようなツールがどのようにサーフェスされるかを標準化し、プロキシMSPサーバは単一のエンドポイントの背後にある多くのバックエンドサーバを集約する。 SCOUTは、ツールの露出をコンテキスト選択問題として再設定し、現在のステップに関連するツールのみを注入する。
  論文  参考訳（メタデータ） (2026-08-25T02:33:44Z)
• Agent-as-a-Router: Agentic Model Routing for Coding Tasks [54.00153674547733]
  Agent-as-a-router (AC)はC-A-Fループとしてルーティングを形式化する(Context->Action->FeedbackContext) ACは、分配タスクに対する最小の累積後悔を達成し、配布外エージェントプログラミングタスクに一般化する。
  論文  参考訳（メタデータ） (2026-06-22T06:37:31Z)
• LogRouter: Adaptive Two-Level LLM Routing for Log Question Answering in Big Data Systems [0.0]
  本稿では,TUBITAK BILGEMの全国的ビッグデータプラットフォーム上に展開するエンドツーエンドの質問応答システムを提案する。 2レベルコスト対応ルータは、4つの実行パスのうちの1つに沿って各クエリをディスパッチする。 このシステムは、Fixed-32Bベースラインに対して平均レイテンシを55%削減する。
  論文  参考訳（メタデータ） (2026-05-18T08:07:01Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Dr.LLM: Dynamic Layer Routing in LLMs [55.11953638340419]
  Dr.LLMは、事前訓練されたモデルに軽量な層ごとのルータを装備し、ブロックをスキップ、実行、繰り返すように決定する、適合性のあるフレームワークである。 ARC(logic)とDART(math)では、Dr.LLMは平均で5つのレイヤを保存しながら、最大3.4%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-10-14T17:51:26Z)
• OpenTable-R1: A Reinforcement Learning Augmented Tool Agent for Open-Domain Table Question Answering [0.0]
  オープンドメインのテーブルの問合せは伝統的に2段階のパイプラインに依存している。 本稿では,大規模言語モデルにマルチターンツールコールを組み込むエンドツーエンドのエージェントフレームワークを提案する。 この統一されたアプローチにより、モデルはクエリを共同で検索、推論、実行することが可能になり、劇的な精度の向上が得られる。
  論文  参考訳（メタデータ） (2025-07-02T13:54:54Z)
• MCP-Zero: Active Tool Discovery for Autonomous LLM Agents [13.005899769943442]
  ツール発見の自律性を LLM 自体に復元する,アクティブエージェントフレームワークである MCP-Zero を紹介する。 すべての利用可能なツールで圧倒的なモデルを使用する代わりに、CP-Zeroはエージェントが能率ギャップを積極的に識別し、特定のツールをオンデマンドで要求することを可能にする。 公式の Model-Context-Protocol リポジトリから 308 の MCP サーバと 2,797 ツールの包括的なデータセットである MCP-tools を構築した。
  論文  参考訳（メタデータ） (2025-06-01T15:48:53Z)

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。