論文の概要: Folding Pooled Usage Examples into the Tool Index Lowers Retrieval of Unused Tools

• arxiv url: http://arxiv.org/abs/2610.30867v2
• Date: Sun, 25 Oct 2026 04:34:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.190575
• Title: Folding Pooled Usage Examples into the Tool Index Lowers Retrieval of Unused Tools
• Title（参考訳）: ツールインデックスへのプール使用例のフォールディングは、未使用ツールの検索率を低下させる
• Abstract要約: エージェントがまだ使っていないツールに、プールが何をするか尋ねる。 ツール(折りたたみ)の余分なエントリとして、検索インデックスにそれぞれの使用例を追加することは、サンプルを持つツールに役立つが、3つのカタログのうち2つでは、必要な未使用ツールがトップ5に到達する頻度を劇的に下げる。 ツールのドキュメンテーションと使い方を別々にスコアするスコアリングルールであるZoEを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents often find tools by searching their documentation. Agents that share a tool catalog can also pool usage examples: past requests, each tagged with the tool that handled it. We ask what pooling does to tools no agent has used yet. Adding each usage example to the search index as an extra entry for its tool (folding) helps tools that have examples, but on two of three catalogs it sharply lowers how often a needed unused tool reaches the top five results; on StableToolBench with our main embedding model, the share falls from 73 to 40 percent of queries. When the extra entries hold documentation from other tools instead of requests, the loss is much smaller, though differences in content or writing style could also explain this. We introduce ZoE (Z-scores over Evidence), a scoring rule that scores the documentation and the usage of a tool separately, so a tool without usage keeps its documentation score. On all three catalogs and with both embedding models we tested, ZoE retrieves unused tools more often than a router that reserves result slots for usage matches. With our main embedding model, the router retrieves more of the other tools on two catalogs, and in post hoc comparisons a simpler rule that adds a constant to the scores of tools with usage shows no detected difference from ZoE on unused tools. For five simulated agents on one catalog, folding lowered retrieval of unused tools for every agent; with ZoE no average drop was detected, though some agents still lost. Evaluations of pooled agent experience should report tools no agent has used separately from the average.
• Abstract（参考訳）: AIエージェントは、ドキュメントを検索することでツールを見つけることが多い。 ツールカタログを共有するエージェントは、使用例をプールすることもできる。 エージェントがまだ使っていないツールに、プールが何をするか尋ねる。 ツール(折りたたみ)の余分なエントリとして、検索インデックスにそれぞれの使用例を追加することは、ツールの例を示すのに役立つが、3つのカタログのうち2つは、必要な未使用ツールがトップ5に到達する頻度を劇的に下げている。 追加のエントリがリクエストではなく他のツールからのドキュメントを保持する場合、その損失ははるかに小さくなりますが、コンテンツや書き込みスタイルの違いもこれを説明することができます。 ZoE(Z-scores over Evidence)は、ツールのドキュメンテーションと使い方を別々にスコアするスコアリングルールです。 テストした3つのカタログと2つの埋め込みモデルにおいて、ZoEは未使用のツールを、結果のスロットを格納するルータよりも頻繁に取り出す。 メインの埋め込みモデルでは、ルータは他のツールを2つのカタログで検索し、ポストホック比較では、ツールのスコアに一定値を追加するシンプルなルールが、未使用のツールでZoEと検出された違いを示さない。 1つのカタログ上の5つの模擬エージェントに対して、折りたたみされた各エージェントの未使用ツールの検索が低下し、ZoEは平均的なドロップは検出されなかったが、一部のエージェントは依然として失われている。 プールされたエージェント体験の評価は、平均から別のエージェントが使用していないツールを報告すべきである。

関連論文リスト

• Tool Recommendation for Multi-Step Agents: Finding Every Tool a Task Needs [0.0]
  マルチステップのエージェントタスクは、ひとつのツールが欠けているときに失敗するが、エージェントが必要とするツールはリストに多すぎる。 エージェントにすべてのエージェントを与えるデプロイシステムであるTool Recommendationを紹介します。 ToolRetでは、Tool Recommendationは、クエリに必要なすべてのツールを、BM25よりも57%高い頻度でトップ10に配置する。
  論文  参考訳（メタデータ） (2026-10-16T16:30:38Z)
• ToolAtlas: Learning Once, Reusing Everywhere with Tool-Side Memory [49.08868447320197]
  大規模言語モデル(LLM)エージェントは、共有プロバイダが提供する外部ツールにますます依存している。 既存のアプローチでは、パラメータ更新、プロンプトリファインメント、エージェント側のメモリを通じて、エージェント側のツール使用を改善する。 グラフベースのフレームワークであるToolAtlasを紹介します。
  論文  参考訳（メタデータ） (2026-07-13T06:01:41Z)
• ToolFailBench: Diagnosing Tool-Use Failures in LLM Agents [0.0]
  ToolFailBenchは、ツール使用障害を測定するための診断ベンチマークである。 それぞれのトレースをTool-Skip、Result-Ignore、Output-Fabrication、Unnecessary-Tool-Useとラベル付けします。
  論文  参考訳（メタデータ） (2026-07-06T05:25:21Z)
• Do Multimodal Agents Really Benefit from Tool Use? A Systematic Study of Capability Gains [20.11899219087138]
  画像のエージェントであるThymeとDeepEyesV2を用いて、現実世界の理解、OCR、チャート理解、数学的推論の2つの代表的思考について検討する。 ツールアクセスは、一貫した集約的改善がほとんど得られず、生成したコストを確実に削減することができず、小さなツールのみの解決セットのみを残している。
  論文  参考訳（メタデータ） (2026-06-01T15:04:25Z)
• 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)
• Tool Preferences in Agentic LLMs are Unreliable [46.302564611198754]
  大規模な言語モデル(LLM)が、幅広い外部ツールにアクセスできるようになった。 LLMは、どのツールを使うかを決定するツールのテキスト記述に完全に依存している。
  論文  参考訳（メタデータ） (2025-05-23T17:43:48Z)
• 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)
• EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction [56.02100384015907]
  EasyToolは、多種多様で長いツールドキュメントを統一的で簡潔なツール命令に変換するフレームワークである。 トークン使用量を大幅に削減し、現実のシナリオにおけるツール利用のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-01-11T15:45:11Z)
• Tool Documentation Enables Zero-Shot Tool-Usage with Large Language Models [90.96816639172464]
  大規模言語モデル(LLM)は、ツールの使用のデモを提供することで、新しいツールを使用するように教えられている。 デモよりも、ツールドキュメンテーションの使用、個々のツール使用方法の説明を推奨します。
  論文  参考訳（メタデータ） (2023-08-01T17:21:38Z)

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。