論文の概要: LIBRA: Programmatic Induction of Executable Tool Libraries

• arxiv url: http://arxiv.org/abs/2611.05445v2
• Date: Thu, 05 Nov 2026 16:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.511065
• Title: LIBRA: Programmatic Induction of Executable Tool Libraries
• Title（参考訳）: LIBRA: 実行可能なツールライブラリのプログラム的誘導
• Abstract要約: このフレームワークは、フラットなツールカタログを実行可能なツールライブラリに変換するものだ。 AppWorld、BFCL、SciToolEvalでは、LIBRAは同じ高密度レシーバー上でワンショットリコールとNDCGを平均7.9と3.7ポイント改善している。
• 参考スコア（独自算出の注目度）: 15.50860616901195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model agents increasingly retrieve tools from large catalogs, yet most retrievers rank each tool independently by request similarity. For multi tool tasks, this recovers the goal matching tool while omitting prerequisite tools required by the workflow. We introduce LIBRA, a framework for Library Induction by Runtime Assembly that turns a flat tool catalog into an executable tool library. An LLM proposes per tool contracts of candidate invocations, reusable outputs and state changes, and success conditions; LIBRA then tests these compositions in a sandbox and retains the relations supported at runtime. Constructed before user queries, the library requires no dependency annotations, tool use trajectories, or task specific training, and supports both one-shot and agentic retrieval. On AppWorld, BFCL, and SciToolEval, LIBRA improves one-shot Recall and NDCG over the same dense retriever by 7.9 and 3.7 percentage points on average. Within ToolReAGt, it yields corresponding gains of 4.5 and 2.9 points after ten retrieval iterations.
• Abstract（参考訳）: 大きな言語モデルエージェントは、大きなカタログからツールを検索する傾向にあるが、ほとんどの検索エージェントは、要求の類似性によって、それぞれのツールを独立してランク付けする。 マルチツールタスクでは、ワークフローに必要な必須ツールを省略しながら、ゴールマッチングツールを回復する。 LIBRAは、実行時アセンブリによるライブラリインジェクションのためのフレームワークで、フラットツールカタログを実行可能なツールライブラリに変換する。 LLMは、候補呼び出し、再利用可能なアウトプット、状態変更、成功条件の各ツールコントラクトを提案し、LIBRAはこれらのコンポジションをサンドボックスでテストし、実行時にサポートされているリレーションを保持する。 ユーザクエリの前に構築されたライブラリは、依存アノテーション、ツールの使用トラジェクトリ、タスク固有のトレーニングを必要とせず、ワンショットとエージェント検索の両方をサポートする。 AppWorld、BFCL、SciToolEvalでは、LIBRAは同じ高密度レシーバー上でワンショットリコールとNDCGを平均7.9と3.7ポイント改善している。 ToolReAGt内では、10回の検索を繰り返した後、4.5と2.9の利得を得る。

関連論文リスト

• Tools Are Not Islands: Set-Level Tool Retrieval for LLM Agents via Query-Conditioned Hyperedge Prediction [4.596769167229008]
  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。
  論文  参考訳（メタデータ） (2026-07-28T13:45:08Z)
• 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)
• ToolDreamer: Instilling LLM Reasoning Into Tool Retrievers [33.08308979741825]
  既存の検索モデルでは、ユーザクエリとツール記述(TD)の類似性に基づいてツールをランク付けする。 ユーザ要求がTDの言語に不整合している場合が多いため、このことがサブ最適検索に繋がる。 仮説的(合成的)なTDに基づいてツールをフェッチするための,検索モデルの条件付けを行うフレームワークであるToolDreamerを提案する。
  論文  参考訳（メタデータ） (2025-10-22T17:26:05Z)
• Tool-R1: Sample-Efficient Reinforcement Learning for Agentic Tool Use [50.02614257515131]
  大規模言語モデル(LLM)は、言語理解と推論において強力な能力を示している。 本稿では,LLMの汎用的,構成的,多段階的なツール使用を可能にする強化学習フレームワークであるTool-R1を提案する。
  論文  参考訳（メタデータ） (2025-09-16T09:22:21Z)
• Tulip Agent -- Enabling LLM-Based Agents to Solve Tasks Using Large Tool Libraries [5.828355593978994]
  tulip Agentは、Create、Read、Update、Deleteといった自律型ロボットエージェントのためのアーキテクチャで、潜在的に多くのツールを含むツールライブラリにアクセスする。 最先端の実装とは対照的に、チューリップエージェントはシステムプロンプトで利用可能なすべてのツールの記述をエンコードしない。 チューリップエージェントアーキテクチャは推論コストを大幅に削減し、大きなツールライブラリの使用を可能にし、エージェントがそのツールセットを適応し拡張することを可能にする。
  論文  参考訳（メタデータ） (2024-07-31T17:50:54Z)
• 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)
• 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)
• 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)

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。