動的ツール依存関係検索による軽量関数呼び出し（arXiv:2512.17052v4）

Large Language Models (LLMs) による機能呼び出しエージェントは、複雑なタスクを自動化するために外部ツールを選択します。オンデバイスエージェントは、通常、関連するツールを選択する検索モジュールを使用して性能を向上させ、コンテキスト長を削減しています。しかし、既存の検索方法は静的かつ限定的な入力に依存しており、複数ステップのツール依存関係や進化するタスクの文脈を捉え切れません。この制限は、エージェントを混乱させる不関連なツールを導入し、効率と精度を低下させます。私たちは、初期クエリと進化しているツール呼び出し計画の両方に条件付ける軽量検索方法である動的ツール依存関係検索 (DTDR) を提案します。DTDR は機能呼び出しデモンストレーションからツール依存関係をモデル化し、計画が進むにつれて適応的検索を可能にします。私たちは、複数のデータセットと LLM バックボーンを通じて、最先进の検索方法に対して DTDR をベンチマークし、検索精度、ダウンストリームタスクの精度、計算効率を評価しました。さらに、検索されたツールをプロンプトに統合するための戦略を探求しました。私たちの結果は、DTDR が最先进の静的検索器と比較して機能呼び出し成功率を $23 ext{ extpercent}から$104 ext{ extpercent} 向上させたことを示しています。

arXiv:2512.17052v4 Announce Type: replace Abstract: Function calling agents powered by Large Language Models (LLMs) select external tools to automate complex tasks. On-device agents typically use a retrieval module to select relevant tools, improving performance and reducing context length. However, existing retrieval methods rely on static and limited inputs, failing to capture multi-step tool dependencies and evolving task context. This limitation often introduces irrelevant tools that mislead the agent, degrading efficiency and accuracy. We propose Dynamic Tool Dependency Retrieval (DTDR), a lightweight retrieval method that conditions on both the initial query and the evolving tool calling plan. DTDR models tool dependencies from function calling demonstrations, enabling adaptive retrieval as plans unfold. We benchmark DTDR against state-of-the-art retrieval methods across multiple datasets and LLM backbones, evaluating retrieval precision, downstream task accuracy, and computational efficiency. Additionally, we explore strategies to integrate retrieved tools into prompts. Our results show that DTDR improves function calling success rates between $23\%$ and $104\%$ compared to state-of-the-art static retrievers.