摘要
基于大语言模型（LLM）的工具规划，指根据用户请求选择、组织并准备完成任务所需工具的过程，能够弥合自然语言理解与任务执行之间的鸿沟。然而，现有方法将不同工具视为孤立的组件，未能充分利用工具之间的内在依赖关系，导致生成的规划结果往往无效。由于工具依赖关系通常不完整，当面对大规模工具集时，LLM在准确识别用户请求所需工具方面面临巨大挑战。为应对这一难题，我们提出GTool，这是首个旨在提升LLM在依赖关系不完整条件下工具规划能力的工作。GTool构建一个针对具体请求的工具图（tool graph），以高效选择工具，并生成可被LLM理解的，该标记包含充分的依赖信息。此外，我们设计了一项缺失依赖关系预测任务，以增强GTool在依赖关系不完整情况下的可靠性。GTool无需对LLM进行剪枝，可无缝集成于多种LLM骨干网络中，且无需大量重新训练。大量实验表明，相较于当前最先进的（SOTA）基线方法，GTool在仅使用轻量级（7B参数）LLM骨干的情况下，性能提升超过29.6%。