面向SLM的智能体任务-工具意图匹配

装备工具的AI智能体用工具调用访问数据并对外部系统行动。Agentic 智能体系统的横向增长增加这些交互的数量，进一步推动对可低延迟和/或本地运行的自动化逐调用监督的需求。传统授权方案能判定智能体是否被允许调用某工具，但无法评估智能体的底层认知——工具选择是否构成满足任务意图的逻辑相关步骤。因此被允许的调用仍可能偏离任务意图：恶意智能体可能偏移调用或引导其他智能体做出与任务意图不符的调用组合。因此每次调用都需要核验。本研究考察小语言模型（SLM）对此的适用性：SLM充当任务-工具相关性分类器，独立评估每个被选工具与所指派任务的相关性并返回供下游执行的相关性信号。配备新颖的跨MCP服务器多工具任务数据集，我们用提示优化、监督微调与GRPO强化学习优化并特化SLM。