SING：LLM 代理中可扩展主动工具发现的综合意图图

大语言模型 (LLM) 代理越来越依赖于管理上下文、工具和多轮执行的代理工具，使工具成为在现实数字环境中执行操作的中央接口。随着Harness连接的工具生态系统扩展到数百或数千个 API、服务和特定于任务的技能，详尽的工具模式注入变得成本高昂，并强加了一个封闭世界的假设，将代理限制为预定义的静态库存。检索增强工具选择提供了一种自然的替代方案，但现有的一次性检索方法通常无法将孤立的工具描述与代理的真实任务意图结合起来，特别是在长期任务中，其中所需的能力通过分解、观察和新引入的子目标而出现。我们提出了 SING，一种意图感知的主动工具发现框架，它构建了一个链接用户意图、工具功能和工具协作模式的意图工具图，并根据不断变化的任务状态动态检索工具。我们使用包含 7,471 个工具的统一语料库，根据三个现实世界的工具使用基准来评估 SING。与基线相比，SING 将 Global Recall@5 提高了高达 59.8%，下游成功率提高了高达 28.9%，同时将全语料库工具模式暴露减少了 99.8%，这表明意图感知图结构可以在大规模代理生态系统中实现更准确和上下文高效的工具发现。