工具菜单即执行先验：让Agent学会正确的工具调用顺序

当Agent面对成千上万的工具，选择比能力更重要

大语言模型（LLM）通过调用工具来完成任务，这已经是当今智能体（Agent）系统的核心范式。然而现实中的Agent往往要面对包含数千个接口的庞大工具库。如何在执行前从这个庞大的库中筛选出真正有用的一小部分，直接决定了任务的成败。

近期一篇发表于arXiv的研究论文《The Menu Is an Execution Prior: State-Path Tool Menus for Online Agents》提出了一个颇具启发性的概念——工具菜单（Tool Menu），并将其重新定义为一种"执行先验（Execution Prior）"。研究结果显示，仅仅通过优化工具菜单的构建方式，就能在不改动Agent本身的情况下，将在线任务成功率从0.737显著提升至0.898。

工具菜单与传统相关性排序的致命盲区

什么是工具菜单

所谓工具菜单，是指在Agent执行任务之前，从全部可用工具中挑选出的一个简短、有序的子集。Agent只能调用出现在这份菜单中的工具。这就像给一位厨师提供一份精简的备料清单——清单上没有的食材，厨师就无法使用。

按请求相关性排序为什么不够

当前主流的菜单构建方式，普遍采用按请求相关性排序的策略。系统根据用户请求与工具描述的语义相似度，把最相关的工具排在前面。

这种做法有一个致命的盲区：多步任务不仅需要那个"最终动作"的工具，还需要一系列为其准备输入的前置工具，而且这些工具必须以可用的顺序排列。举例来说，如果要"预订某城市的酒店"，最终动作是"下单预订"，但在此之前必须先"查询城市ID"、"检索可用酒店列表"等。相关性排序往往能命中显眼的"预订"接口，却容易遗漏或延后那些不太显眼的输入生产者（Producer），导致执行链条断裂。

State-Path框架：从相关性匹配到执行路径规划

状态路径（State Path）的核心概念

论文提出了"状态路径"这一关键概念——它是一条在执行前就规划好的路线，从可观测的请求状态出发，抵达期望的最终结果。这条路径描述了从当前状态到目标状态需要经过哪些工具、以什么顺序经过。

基于此，研究者提出了**State-Path Tool Menu（状态路径工具菜单）**框架，其核心思想是：将菜单本身视为一种针对这些执行路线的"执行先验"。换句话说，菜单不再只是一个相关工具的集合，而是编码了任务如何被执行的先验知识。

框架的三大核心组件

State-Path框架由三个协同工作的模块构成：

编码器（Encoder）：负责表征三类关键信息——哪些工具可以从当前状态直接运行、这些工具的输出如何满足后续工具的输入需求、以及在训练路径中哪些调用顺序会反复出现。这相当于让模型理解工具之间的"依赖图谱"。

检索器（Retriever）：确保菜单覆盖三个要素——一个可执行的入口工具、缺失输入的生产者工具、以及最终动作工具。它不再只盯着最终目标，而是把整条链路的每个环节都纳入考量。

重排器（Reranker）：负责将生产者（Producer）排在消费者（Consumer）之前。这一步至关重要，因为只有先生成输入、后消费输入，Agent才能顺利执行整条链条。

实验结果：32个工具胜过128个工具

任务成功率的显著提升

在广泛使用的ToolBench基准测试上，State-Path菜单取得了亮眼的成绩：

• 在线任务成功率从0.737提升至0.898
• 全面超越了检索、重排、生成、路由等多种基线方法
• 无需对Agent本身做任何改动，仅通过优化菜单即可实现

效率优势：更少的工具覆盖更完整的链条

更值得关注的是效率对比：State-Path菜单仅用32个工具覆盖的完整执行链条，比官方工具列表用128个工具覆盖的还要完整。这意味着该方法在大幅缩减菜单规模的同时，反而提供了更高质量的执行支撑——这对上下文窗口有限、调用成本敏感的Agent系统尤为重要。

跨模型泛化的鲁棒性

实验还表明，这一成功率增益在不同能力、不同规模的执行器模型家族上都能稳定保持。这说明State-Path并非依赖特定模型的"投机取巧"，而是提供了一种普适的、可迁移的执行先验。

对Agent系统开发者的实践启示

这项研究的价值在于，它把"工具选择"这一常被视为检索问题的环节，重新定义为执行规划问题。传统的相关性排序本质上是静态的语义匹配，而State-Path引入了对工具依赖关系和执行顺序的建模，让菜单真正承载起"如何一步步完成任务"的知识。

对于正在构建复杂Agent系统的开发者而言，这一思路极具启发性：与其一味扩大工具检索的召回范围，不如更精细地建模工具之间的输入输出依赖关系。一个"更聪明"的精简菜单，往往胜过一个"更全面"的臃肿列表。

研究团队已将代码开源（https://github.com/Met2348/State-Path），感兴趣的开发者可以进一步探索其实现细节。随着Agent工具生态持续膨胀，如何高效、准确地为智能体"备料"，将是决定实用性的关键一环，而State-Path提供了一个值得借鉴的方向。