論文の概要: TRACER: Trajectory-Aware Tool Retrieval for LLM Agents

• arxiv url: http://arxiv.org/abs/2610.21267v1
• Date: Thu, 15 Oct 2026 05:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.197187
• Title: TRACER: Trajectory-Aware Tool Retrieval for LLM Agents
• Title（参考訳）: TRACER:LLMエージェントの軌道認識ツール検索
• Abstract要約: 本稿では,ツールコールシーケンスをトリエでインデックスする検索フロントエンドTRACERを提案する。 小売とテレコムの混合環境では、TRACERはGPT-5.4のツール選択の精度を4.7ポイント改善している。 自律的なフルターン実行では、GPT-5.4のフル登録タスクの成功とステップ当たりの入力トークンを61%削減する。
• 参考スコア（独自算出の注目度）: 4.525567580146913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern agents select tools from registries, but exposing entire registries incurs high token costs and can impair selection as they grow. We present TRACER, a retrieval front-end that indexes observed tool-call sequences in a trie and ranks continuations using a learned blend of empirical and contextual priors. On a mixed retail-and-telecom $τ^2$ environment, TRACER improves GPT-5.4's tool-selection accuracy by 4.7 points while reducing input tokens per step by 80%, exposing just 5 of 128 tools. In autonomous full-turn execution, it matches GPT-5.4's full-registry task success with 61% fewer input tokens per step. Across six environments and four models, TRACER improves tool-selection accuracy over full-registry selection in 21 of 24 model-environment pairs, with average gains of 6 to 10 points; the three exceptions trail by at most 2.2. We analyze failures in both regimes to identify directions for future work.
• Abstract（参考訳）: 現代のエージェントはレジストリからツールを選択するが、レジストリ全体を露出するとトークンコストが高くなり、成長するにつれて選択を損なう。 提案するTRACERは、ツールコールシーケンスをトリエでインデックス化し、経験的および文脈的事前の学習ブレンドを用いて継続をランク付けする検索フロントエンドである。 複合小売およびテレコムの$τ^2$環境では、TRACERはGPT-5.4のツール選択の精度を4.7ポイント改善し、ステップ当たりの入力トークンを80%削減し、128のツールのうち5つしか公開していない。 自律的なフルターン実行では、GPT-5.4のフル登録タスクの成功とステップ当たりの入力トークンを61%削減する。 6つの環境と4つのモデルで、TRACERは24のモデル環境ペアのうち21のモデル選択よりもツール選択精度を向上し、平均利得は6点から10点となり、3つの例外は最低でも2.2秒遅れている。 両体制の失敗を分析し、今後の作業の方向性を特定します。

関連論文リスト

• Drafting Agents, Not Just Tokens: Speculative Recursive Self-Improvement for Agentic Systems [58.89141999692635]
  提案するSpeculative Recursive Self-Improvement(SpecRSI)は,前任者が十分に評価される前に,実行可能な後継エージェントをドラフトする。 VATSは、予測された継続の返却を使って、さらなる編集と優れたチェックの間に予算を割り当てる。 グループ検証最適化(GVO)は、実際の評価器を固定しながら、完了した探索から改善器を学習する。
  論文  参考訳（メタデータ） (2026-10-12T09:43:48Z)
• 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)
• PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents [53.369140518949656]
  外部知識グラフ(KG)の統合により,大規模言語モデル(LLM)ベースのシステムを強化する新しいフレームワークであるPersonalAI 2.0(PAI-2)を紹介する。 提案手法は,動的でマルチステージなクエリ処理パイプラインを組み込むことにより,既存のGraphRAG(Retrieval-Augmented Generation)メソッドの重要な制限に対処する。 グラフアルゴリズム(例えば、BeamSearch、WaterCircles)は、平均6%の標準フラットテンレトリバーよりも優れた結果が得られる一方で、検索計画強化機構は、6つのデータセットにわたるLLM-as-a-Judgeによる障害アルゴリズムに比べて18%向上することを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:06:30Z)
• Controllable and Verifiable Tool-Use Data Synthesis for Agentic Reinforcement Learning [82.89535601592739]
  マルチレベル検証を用いた自己進化型合成により,信頼性の高い基本ツール利用軌跡を生成する2段階パイプラインを提案する。 これらの拡張は、トラクタツール、間接的または曖昧なユーザクエリ、ノイズ、マルチフォーマット、あるいは誤ったツール出力を導入します。 本設計では,標準事例に対する参照マッチングによる報酬の自動計算と,エラー検出などの特別な動作に対する軽量な判断支援検証を実現する。
  論文  参考訳（メタデータ） (2026-04-10T18:38:52Z)
• AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
  我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。 ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。 探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
  論文  参考訳（メタデータ） (2026-03-15T16:13:58Z)
• DIVE: Scaling Diversity in Agentic Task Synthesis for Generalizable Tool Use [66.02634251098537]
  DIVEデータ(48k SFT + 3.2k RL)上のQwen3-8Bのトレーニングは、9OODベンチマークで+22ポイント向上し、+68で最強の8Bベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-10T20:54:23Z)
• AgentAssay: Token-Efficient Regression Testing for Non-Deterministic AI Agent Workflows [0.0]
  AgentAssayは、非決定論的AIエージェントを回帰テストするための最初のトークン効率のよいフレームワークである。 厳密な統計保証を維持しながら78-100%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2026-03-03T04:59:25Z)
• ToolRLA: Multiplicative Reward Decomposition for Tool-Integrated Agents [1.8379860135249093]
  ドメイン固有のツールエージェントのためのポストトレーニングパイプラインであるToolRLAを提案する。 コアコントリビューションは、乗法的正しさ分解を伴う微細な報酬関数である。 ToolRLAは3ヶ月以上、タスク完了率を47%改善している。
  論文  参考訳（メタデータ） (2026-03-02T08:52:14Z)

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。