TRACER：面向 LLM Agent 的轨迹感知工具检索
🧭 Agent 工具检索与轨迹条件化 ★ 深度解读
Microsoft
利用历史工具调用轨迹的 trie 索引和状态自适应双先验混合，在保持准确率的同时大幅降低工具选择上下文成本
📌 工作参考价值（5 点）
- 在电商客服 Agent 中，可将历史成功调用轨迹构建为 trie，按当前执行前缀（如已调用 get_user_details）约束下一步候选工具，把工具选择从独立检索变为序列预测，减少无关工具干扰。
- 对每个转移边存储历史对话嵌入，计算当前上下文与该嵌入的 cosine 相似度，能区分描述相似但用途不同的工具（例如退货标签 vs 退货操作），避免模型误选危险操作。
- 使用轻量线性头学习每个状态的混合权重 w 和温度 T，动态调节经验先验（转移频率）与上下文先验（语义相似度）的重要性，比固定权重（如 α=0.5）更鲁棒，尤其适合工具分布不均匀的注册表。
- 若注册表中存在大量与状态无关的通用工具（如 KB_search、grep），可引入一个小型全局工具集 G（按前缀熵选取 top 工具）作为兜底，能显著提升召回。
- 工程实现上，trie 索引和边记忆查询开销极低，可完全离线构建，在线只需前缀查找和点积计算，适合大规模工具注册表的高并发场景。
RATED：基于执行动态的可靠性感知 AI Agent 工具检索
🧭 Agent 工具检索 · 在线可靠性适应 ★ 深度解读
Texas Tech University
融合对比微调双塔检索与 discounted LinUCB 在线重排，将工具故障选择率从 86% 降至 3%
📌 工作参考价值（4 点）
- 解耦语义与可靠性：用冻结的语义检索器（DRAGON）产出 top-K 候选，再做轻量在线重排，避免每次工具故障都重训大模型；电商 Agent 中大量 API/下游服务频繁上下线，这种架构能快速响应。
- discounted LinUCB per tool：为每个工具维护独立线性模型，用折扣因子 γ=0.95 下权旧反馈，快速适应工具失效；协方差矩阵保持对角，更新和推理都是 O(d)，单步开销 <0.2ms，适合高并发在线服务。
- 冷启动先验：从工具目录元数据（名称-描述一致性、来源可信度、文档质量）自动计算静态可靠性分数，初始化 bandit bias，新工具上线无历史数据也能合理排序；电商工具库也可用类似信号（如 API 文档完整度、供应商信誉）做初始质量分。
- 融合权重默认值：语义 0.75、bandit 0.15、静态先验 0.10 在 20% 故障率下效果最佳，可直接作为业务调参起点。
工具检索器被低估：标注扩展揭示真实能力
🧭 工具检索评估 · 标注扩展
Shenzhen International Graduate School, Tsinghua University · Peking University · Meituan, Beijing
提出ToolEX自动发现功能等效工具组合，扩展基准为ToolEQ，证明一对一标注系统性低估检索器，微调增益中30-47%是评估伪迹
📌 工作参考价值（4 点）
- 评估召回/检索系统时，若 query 存在多个等价结果（如同义商品、替代品、功能相同工具），单一 ground truth 会低估模型；可借鉴 ToolEX 做等价扩展，构建更公平的测试集，避免误杀有效召回。
- 微调收益评估需警惕标注缺陷：论文发现 30-47% 的微调提升是评估伪迹。建议上线前用扩展后的多正例评估集复测，量化真实增量，尤其当训练数据与测试标注同源时。
- ToolEX 自动发现等价工具组合的流程（生成候选 + 功能等价验证）可迁移到电商搜索/推荐：对同一 query 挖掘多条等价商品、广告或服务组合，用于多正例学习或评估鲁棒性。
- 如果业务中做 Agent 工具检索或 API 推荐，注意同一功能通常有多个实现，检索评估与训练不能基于一对一的刚性标注，需支持一对多映射。
丰富-检索-排序：超越上下文路由的规模化能力发现
🧭 Agent 能力发现 · 检索-重排 ★ 深度解读
Amazon AGI
将 Agent 能力发现重构为离线丰富+在线检索-重排，在 7,278 个工具上以约一半成本领先 Search&Pick 6.5pp，并比全量上下文便宜 70 倍
📌 工作参考价值（4 点）
- 如果业务里要用 LLM 从上千个 API/agent/tool 中选调用，不要让它读全量 registry：改为 BM25+dense 召回 top-15，再单次 LLM listwise rerank。这样成本与 registry 规模解耦；Nova Micro 扫描显示单阶段全量路由在 N≈500 后崩，可作为架构切换的经验阈值。
- 离线把稀疏的 item/tool 元数据改写成结构化 profile（summary、action-led description、keywords、正/负 usage examples）一次完成，供检索和 reranker 共用。干净公开数据上 enrichment 无收益（甚至 -4.4pp），但元数据只剩 name 时 Match@1 +25.6pp、Recall@15 0.134→0.467；先评估自家商品/工具 metadata 稀疏度再决定是否上。
- 做错误归因：约70%的大规模 miss 在 retrieval，换更强 reranker 只 +3pp。优先提升一阶段召回（hybrid、更好 dense encoder、字段加权）而不是继续优化 reranker prompt。
- 打分信号可设计成可插拔加权：LLM 0.50 + BM25 0.05 + Quality 0.30 + Intent 0.15，字段缺失自动 renormalize；在有 trust/type 元数据时 Quality+Intent 额外 +4.5pp。这种统一配置可以跨 tools/agents/skills 复用，避免每种能力单独调参。
工具技能检索失败：可执行能力检索中的源风格坍缩
🧭 Agent 工具检索的源风格坍缩与路由 ★ 深度解读
University of Manchester · University of Sheffield · Shanghai University of Finance and Economics
固定工具库下 dense retriever 会因 query 源风格偏移而覆盖崩溃，TF-IDF 路由+少样本修复可显著恢复覆盖。
📌 工作参考价值（4 点）
- 在多源工具库/API 注册中心上线前，用 query-side TF-IDF 质心距离对流量做源风格监控，设置 safe/unsafe band 做路由护栏，成本极低且能避免线上 candidate coverage 崩溃。
- 不要用 naive 混合训练或平衡重加权来解决多源 drift，它会损害原本匹配源的覆盖；更划算的做法是保留多个 retriever checkpoint，做 source-aware routing，并对 mismatched 流量用 20 条左右 matched examples 做短时继续微调。
- 检索层是 agent 执行链路的入口，评估时优先看 coverage 或 coverage-weighted top-1 proxy，而不是只看 covered query 上的 reranker 精度；未覆盖 query 必须直接记为失败，否则会掩盖系统风险。
- 把工具/API 重渲染成标准化 skill card 并不能消除源风格坍缩，说明问题在 query-tool pairing 习惯和措辞分布，而不只是 schema 格式；做 skill 库时不要把格式归一化当成语义漂移修复。
工具并非孤岛：基于超边预测的LLM Agent集合级工具检索
🧭 Agent工具检索的集合级重定义与超图建模 ★ 深度解读
Shanghai Jiao Tong University · The Hong Kong Polytechnic University
将工具检索重构为查询条件超边预测，以工具集合整体为单位评分，并捕捉基数依赖的工具交互
📌 工作参考价值（4 点）
- 把工具集当作整体来打分：在电商 Agent 场景（如比价+下单+物流查询）中，不要只按单个 API 相关性召回，可参考 HYSET 的超边预测思想，对候选工具子集做联合评分，直接优化「工具集合是否完整覆盖任务」指标。
- 用基数特异性交互矩阵捕捉工具间依赖：多工具任务中，工具之间的互补性随集合规模变化。可以用一组按集合大小索引的交互矩阵（即 M2, M3, M4 …）来建模这种动态依赖，参数开销远小于显式高阶张量。
- 执行反馈可作为弱监督信号：即使只有部分标注数据，也可以在线采集工具调用链的最终任务成功与否作为奖励，通过 reward-weighted self-training 持续优化检索模块，尤其适合随时新增 API 的电商工具库。
- 两阶段推理兼顾效率与集合评分：先用轻量双编码器做 top-K 初筛，再用集合重排序在缩减后的空间里显式对比不同大小、不同组合的候选工具集，推理延迟可控（12 ms/query），可直接嵌入生产级 Agent 管线。
MagicSelector：反事实分解与渐进重排的Agent工具选择联合优化
🧭 Agent工具检索与任务分解优化 ★ 深度解读
HONOR
提出反事实任务分解、自蒸馏重排和动态Top-K，联合优化Agent工具检索，显著提升精度和效率
📌 工作参考价值（4 点）
- 反事实奖励可迁移至电商搜索的query分解/意图识别模块，避免在复杂多意图query下生成无关子查询，通过量化分解对下游召回/排序的边际增益提供因果级训练信号。
- 自蒸馏难负例挖掘与渐进式重排（先点式后列表式）可直接用于广告/商品相似品区分，迭代挖掘高分不相关样本，增强模型对功能相似物品的细粒度判别力。
- 双语义边界感知的动态Top-K截断策略可应用于推荐系统的召回后过滤，自适应截断候选集，减少大模型推理时的token消耗和上下文噪声，避免固定K导致的关键物品遗漏。
- 多轮交互过程级标注数据集构建思路可迁移至对话推荐场景的评估，提供更细粒度的诊断能力，定位是上下文理解、意图分解还是检索环节失效。
PlanBench-XL：大规模工具生态中LLM Agent长期规划评估基准
🧭 Agent 长期规划评估 · 大规模工具检索
University of Illinois Urbana-Champaign
在1665个工具的零售任务基准上，揭示LLM Agent在检索受限与动态阻塞下长期规划能力的严重退化
📌 工作参考价值（4 点）
- 电商Agent常需在大量API/工具中选择与组合，本基准中的迭代式工具检索-调用-发现子目标范式可直接用于设计推荐/搜索Agent的规划流程，尤其需要将工具描述检索与规划解耦，避免一次性暴露全量工具。
- 阻塞机制模拟了真实服务不可用、返回异常或误导性工具，建议在Agent开发中注入工具调用异常处理与自适应模块，如动态替换失败工具、延长尝试路径，并显式标记错误信号以降低恢复难度。
- 实验发现Agent在缺乏明确错误信号时极易崩溃，值得在业务Agent中强制要求工具返回标准化状态码与可读错误信息，并训练模型利用这些信号重规划。
- 该基准的“长期任务→子目标推断→中间证据收集”闭环，为电商场景中多步推荐（如先查用户画像→再查商品库存→组合优惠规则→生成推荐）提供了可测试的评价范式，可参照构建内部鲁棒性测试集。
CoHyDE：密集编码器与LLM改写器的迭代联合训练用于工具检索
🧭 Agent工具检索 · 联合训练编码器与HyDE改写器 ★ 深度解读
SAP Labs
通过多轮交替更新，让编码器和LLM改写器在检索任务中协同进化，解决查询与API目录的词汇鸿沟
📌 工作参考价值（4 点）
- 联合训练改写器与编码器：在电商搜索或Agent工具检索中，可借鉴交替迭代的训练范式，用检索分数直接指导改写器优化，使查询描述与商品/工具表示空间对齐，缓解词汇不匹配问题。
- DPO以检索效果为奖励信号：无需外部标注，直接使用编码器的NDCG分数构建偏好对训练改写器，实现端到端的闭环优化，可应用于生成式推荐中的查询改写或商品描述生成。
- 预热与风格适配：先独立训练编码器（用真实查询-物品对）和改写器（用物品目录多格式文本），再进入联合循环，可快速获得领域适应能力，降低冷启动成本。
- 多轮协同进化：逐步增加轮次可稳定提升跨分布能力，尤其适合电商搜索中口语化查询与商品标题之间的语义对齐，模糊查询改善显著（+6.3pp NDCG@5）。