Hugging Face提出Plan-then-Retrieve新范式：优化复杂多工具查询效率

摘要：Hugging Face提出了一种名为Plan-then-Retrieve (PtR)的新范式，用于工具增强型大语言模型(LLM)智能体的工具发现架构。与传统的Retrieve-then-Plan (RtP)方法不同，PtR首先由LLM生成抽象工具存根（描述所需功能的假设函数签名），然后将其作为查询对工具注册表进行检索。研究表明，PtR在多工具查询中表现优于RtP，而在单工具查询中RtP更优。这种复杂性依赖的交叉现象在多个检索预算和模型家族中均表现一致。PtR的额外发现调用虽然增加了推理成本，但在复杂查询中提供了更强大的功能分解能力。

---

技术机制剖析

Hugging Face提出的Plan-then-Retrieve (PtR)范式旨在解决传统Retrieve-then-Plan (RtP)方法在处理复杂多工具查询时的局限性。RtP方法通过嵌入用户查询并使用近似最近邻搜索检索相似工具，而PtR则引入了抽象工具存根的概念，即由LLM生成描述所需功能的假设函数签名，然后将其作为查询对工具注册表进行检索。

工程权衡与实测表现

在ToolBench（包含46,984个唯一API端点，50个类别）的评估中，PtR在多工具查询（G2和G3）中表现优于RtP，而在单工具查询（G1）中RtP更优。这种复杂性依赖的交叉现象在不同的检索预算（k=1到20）、注册表大小（1k到47k API）和模型家族（如Gemini 2.5 Flash和gpt-oss-120b）中均表现一致。

PtR的额外发现调用虽然增加了推理成本，但在复杂查询中提供了更强大的功能分解能力。具体来说，PtR的存根生成机制在处理复杂查询时能够将多方面的意图分解为功能性子需求，从而提高检索的准确性。然而，在处理简单查询时，PtR的存根抽象掉了RtP能够直接匹配的具体名词信号，导致性能下降。

开发者落地与部署建议

对于开发者而言，PtR提供了一种新的工具发现范式，特别适用于需要处理复杂多工具查询的应用场景。开发者可以根据查询的复杂性动态选择RtP或PtR，以优化推理成本和检索准确性。此外，PtR的复杂性自适应路由策略可以通过零成本信号（如RtP的top-1检索得分）进行驱动，从而实现更高效的查询处理。

结论

PtR范式的提出为工具增强型LLM智能体的工具发现提供了新的思路，特别是在处理复杂查询时展示了其优越性。尽管PtR的推理成本较高，但其功能分解能力使其在复杂任务中具有显著优势。

---

消息来源：ArXiv AI (cs.AI) (2026-10-15)

—— 完 ——

主题标签： #Hugging Face 关注 #智能体 关注 #工具发现 关注 #多工具查询 关注