面对复杂查询，单次工具检索常因语义鸿沟而失效。TOOLQP框架提出了一种创新的迭代规划思路，通过分解任务和多轮交互，显著提升了检索精度和下游任务成功率，为构建更智能的AI代理提供了新路径。
智能速览
TOOLQP框架将工具检索转变为一个迭代的、多步骤的规划过程。
核心方法是分解复杂查询为子任务序列，并利用反馈动态调整。
框架通过数据合成管道生成训练数据，无需依赖昂贵的大模型。
实验显示其在复杂查询和零样本泛化任务中均超越现有基线方法。
TOOLQP的规划策略具有高鲁棒性，可迁移至新的检索环境。
精华内容
传统的工具检索如同大海捞针，而TOOLQP则像一位经验丰富的侦探，通过缜密的规划与推理，一步步锁定目标。
动态规划新范式
工具检索的传统方法是静态匹配，难以处理意图抽象、步骤繁多的复杂查询。TOOLQP框架颠覆了这一思路，将其重塑为一个动态决策过程。它不再是简单地计算一次相似度，而是通过与检索器的持续互动，像下棋一样，每一步都根据前一步的结果来调整策略，从而逐步逼近最匹配的工具集。
任务分解与反馈
TOOLQP的核心在于其规划器，它能将一个模糊的用户请求（如“规划一次旅行”）拆解成一系列清晰的子任务（如“查找机票”、“预订酒店”、“租车”）。针对每个子任务，它会生成查询，接收检索器的反馈，并进行自我修正。这种分而治之的策略，有效降低了单步检索的难度和错误率，使得整个系统更加精准和可靠。
轻量化与高泛化
实现这一复杂规划过程并非只能依赖昂贵的大模型。研究设计了高效的数据合成管道来模拟生成查询轨迹，使得任务分解和查询生成等关键能力可以通过轻量级模型实现。实验数据证明，TOOLQP在处理复杂构造的查询时，检索性能显著优于最先进方法。更重要的是，它在零样本场景下表现出最佳泛化能力，证明了其策略的普适性和迁移价值。
TOOLQP框架不仅为工具检索领域带来了性能上的显著提升，更提供了一种将静态检索转化为动态规划的宝贵思路。这种类人的、迭代式的解决问题方式，或许预示着未来AI系统的发展方向。当AI学会了“谋定而后动”，它将如何重塑我们的交互体验？
