Apple提出Plan-then-Retrieve新范式：革新智能体工具发现架构

摘要：Apple的研究团队提出了一种名为Plan-then-Retrieve (PtR)的新范式，用于智能体工具发现架构。与传统的Retrieve-then-Plan (RtP)方法不同，PtR首先让大语言模型生成抽象工具存根（Abstract Tool Stubs），然后利用这些存根作为查询从工具注册表中检索相关工具。该方法旨在解决有限上下文窗口中注入所有工具定义的挑战，并在工具发现效率和准确性上展现出潜力。

---

背景与挑战

在增强型大语言模型（LLM）智能体的应用中，工具发现是一个关键环节。传统方法（Retrieve-then-Plan，RtP）通过嵌入用户查询并使用近似最近邻搜索检索相关工具。然而，有限的上下文窗口限制了将所有工具定义注入单个提示的可能性，这成为RtP方法的主要瓶颈。

新范式：Plan-then-Retrieve (PtR)

Apple的研究团队提出了一种新的工具发现范式，称为Plan-then-Retrieve (PtR)。在该范式中，LLM首先生成抽象工具存根（Abstract Tool Stubs），这些存根描述了所需功能的假设函数签名。然后，这些存根作为查询，从工具注册表中检索相关工具。

技术机制剖析

1. 抽象工具存根生成：LLM根据用户查询生成描述所需功能的抽象工具存根。这一步类似于“头脑风暴”，LLM根据上下文推断出可能的工具需求。
2. 工具检索：生成的抽象工具存根作为查询，通过近似最近邻搜索或其他检索机制，从工具注册表中检索相关工具。
3. 执行规划：检索到的工具被用于规划执行路径，智能体根据检索结果选择合适的工具进行任务执行。

工程权衡与实测表现

• 优势：PtR方法减少了上下文窗口的负担，因为LLM只需生成简短的抽象工具存根，而不是处理所有工具定义。这使得PtR在处理复杂任务时更具可扩展性。
• 挑战：生成高质量的抽象工具存根需要LLM具备强大的推理能力。此外，检索机制需要高效且准确，以避免遗漏关键工具。
• 实测表现：在初步实验中，PtR在某些任务上表现出比RtP更高的准确性和效率，尤其是在处理多步骤任务时。然而，在某些情况下，PtR可能会生成不准确的工具存根，导致检索失败。

开发者落地与部署建议

• 适用场景：PtR方法适用于需要处理复杂任务和多步骤操作的智能体应用，例如自动化编程、数据分析和工作流管理。
• 优化建议：开发者可以结合PtR和RtP方法，根据具体任务需求动态选择合适的工具发现策略。此外，可以通过强化学习或监督学习进一步优化抽象工具存根的生成过程。

结论

Apple提出的PtR范式为智能体工具发现提供了一种新的思路，特别是在处理复杂任务时展示了其潜力。然而，该方法仍需在更多场景和更大规模的数据集上进行验证，以全面评估其性能。

---

消息来源：Apple Machine Learning Research (2026-10-15)

—— 完 ——

主题标签： #Apple 关注 #智能体 关注 #工具发现 关注 #LLM 关注 #PtR 关注