Resumen: La recuperación efectiva de la herramienta es esencial para que los agentes de IA seleccionen una amplia gama de herramientas al identificar y planificar acciones en el contexto de consultas complejas de usuarios. A pesar de su papel central en la planificación, este aspecto permanece subexplorado en la literatura. Los enfoques tradicionales se basan principalmente en similitudes entre las consultas de los usuarios y las descripciones de herramientas, lo que limita significativamente la precisión de la recuperación, específicamente al manejar las solicitudes de usuarios de varios pasos. Para abordar estas limitaciones, proponemos un marco de recuperación de herramientas basado en el gráfico de conocimiento (kg) que captura las relaciones semánticas entre las herramientas y sus dependencias funcionales. Nuestro algoritmo de recuperación aprovecha los conjuntos de gráficos de herramientas de ego de 1 hop para modelar conexiones directas e indirectas entre herramientas, lo que permite una selección de herramientas más integral y contextual para tareas de múltiples pasos. Evaluamos nuestro enfoque en un conjunto de datos interno generado sintéticamente en seis clases de usuario definidas, extendiendo trabajos anteriores sobre síntesis de diálogo coherente y puntos de referencia de recuperación demasiado. Los resultados demuestran que nuestro método basado en gráficos de herramientas logra la cobertura de herramientas del 91.85% en la métrica de recuperación completa del microavera, en comparación con el 89.26% para la recuperación híbrida semántica-lébrica clasificada, la línea de base más fuerte no kg en nuestros experimentos. Estos hallazgos respaldan nuestra hipótesis de que la información estructural en el KG proporciona señales complementarias a la coincidencia de similitud pura, particularmente para consultas que requieren composición de herramientas secuenciales.
Publicado Originalme en export.arxiv.org El 10 de agosto de 2025.
Ver Fuente Original
