文章主要內(nèi)容和創(chuàng)新點(diǎn)主要內(nèi)容本文針對大型語言模型（LLM）驅(qū)動的AI代理在工具檢索中存在的問題，提出了一種名為Tool Graph Retriever（TGR，工具圖檢索器）的方法。背景：隨著AI代理配備的工具數(shù)量激增，受限于模型上下文長度，需通過檢索篩選工具。現(xiàn)有方法主要依賴用戶查詢與工具描述的語義相似性，忽略工具間的依賴關(guān)系，常遺漏任務(wù)執(zhí)行必需的前置工具（如“更新郵箱”需先“驗(yàn)證”和“登錄”，但現(xiàn)有方法可能僅檢索到“更新郵箱”）。TGR核心步驟：依賴識別：構(gòu)建工具依賴識別數(shù)據(jù)集TDI300K，訓(xùn)練判別器以識別工具間的依賴關(guān)系（如t_a依賴t_b、無依賴、t_b依賴t_a）；基于圖的工具編碼：將工具表示為節(jié)點(diǎn)、依賴關(guān)系為邊的有向圖，通過圖卷積將依賴信息整合到工具表示中；在線檢索：使用整合依賴信息的工具表示計(jì)算與用戶查詢的相似度，完成檢索。實(shí)驗(yàn)結(jié)果：在API-Bank和ToolBench等數(shù)據(jù)集上，TGR顯著提升了現(xiàn)有主流方法的檢索性能（Recall、NDCG、Pass Rate指標(biāo)），達(dá)到當(dāng)前最優(yōu)（SOTA）。創(chuàng)新點(diǎn)提出TGR方