论文
MagicSelector：通过反事实分解和渐进重排序联合优化代理工具选择
MagicSelector: Joint Optimization for Agent Tool Selection via Counterfactual Decomposition and Progressive Reranking
摘要
我们提出了 MagicSelector，这是一个集成了 Counterfactual 任务分解、渐进式重排序和动态 Top-K 的联合优化框架，旨在解决代理中工具检索的基本挑战。 MagicSelector 是一个专门的框架，能够将模糊的用户指令转换为可执行的原子子任务并指导高精度工具检索，有效减轻域外（OOD）场景中的冗余噪声和严重的上下文干扰。我们通过三个关键贡献赋予MagicSelector这些功能：（1）偏好引导的反事实任务分解机制，利用反事实奖励来量化检索排名分解的边际因果增益，有效地对逻辑连贯性施加细粒度的结构监督； （2）由自蒸馏硬负挖掘驱动的渐进式工具重排序方法，优化点式和列表式相关性，以增强高度相似工具之间的细粒度区分； (3) 双语义边界感知动态 Top-K 策略，自适应监控重新排序分数悬崖和工具间语义变化，以动态截断候选列表，最大化相关工具召回率，同时过滤长尾噪声。在 MTDTool（我们为带有流程级注释的移动多轮交互而构建的第一个任务分解基准）上进行评估，MagicSelector 产生了令人鼓舞的性能。大量实验表明，MagicSelector 在工具检索精度、OOD 泛化能力和整体词元效率方面显着优于最先进的方法，从而证明了我们提出的框架的有效性。