解决大模型工具调用中的冗余与上下文限制问题，提升工具选择准确率。
ToolScope: Enhancing LLM Agent Tool Use through Tool Merging and Context-Aware Filtering
- 自动合并相似工具并修正错误，减少冗余。
- 根据上下文筛选最相关工具，压缩工具集提升效率。
- 适用于需要高效工具调用的智能代理系统。
大型语言模型（LLM）代理依赖外部工具完成复杂任务，但真实工具集常存在名称和描述重叠的冗余工具，造成歧义并降低选择准确性。同时，LLM受限于输入上下文长度，难以有效处理大规模工具集。为此，我们提出 ToolScope，包含：(1) ToolScopeMerger 配合自动纠错，自动审计并修复工具合并，减少冗余；(2) ToolScopeRetriever，根据查询对工具进行排序与筛选，仅保留最相关工具，压缩工具集以适应上下文限制，且不牺牲准确性。在三个主流 LLM 和三个开源工具使用基准上的评估显示，工具选择准确率提升 8.38% 至 38.6%，验证了 ToolScope 在增强 LLM 工具使用方面的有效性。
原文摘要 · Abstract (English)
Large language model (LLM) agents rely on external tools to solve complex tasks, but real-world toolsets often contain redundant tools with overlapping names and descriptions, introducing ambiguity and reducing selection accuracy. LLMs also face strict input context limits, preventing efficient consideration of large toolsets. To address these challenges, we propose ToolScope, which includes: (1) ToolScopeMerger with Auto-Correction to automatically audit and fix tool merges, reducing redundancy, and (2) ToolScopeRetriever to rank and select only the most relevant tools for each query, compressing toolsets to fit within context limits without sacrificing accuracy. Evaluations on three state-of-the-art LLMs and three open-source tool-use benchmarks show gains of 8.38% to 38.6% in tool selection accuracy, demonstrating ToolScope's effectiveness in enhancing LLM tool use.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。