semantic-registry

semantic-registry项目在Reddit上引发了讨论，尝试用语义检索与反馈学习机制解决Agent工具选择问题。

semantic-registry采用两阶段选择机制：第一阶段基于任务描述做语义相似度匹配，将候选范围从全量工具缩小到少量高相关项；第二阶段由LLM在精简后的候选中做最终判断。

semantic-registry的反馈学习并非对LLM本身进行微调，而是利用纠错信号更新检索层的排序策略。

semantic-registry将纠错信号（任务描述、被选错的工具、正确的工具）存入反馈日志，通过重排序模型或相似度加权调整召回排序。

反馈学习机制在冷启动阶段反馈稀少，排序优化效果有限，且需要设计合理的反馈衰减机制以避免过时纠错信号长期主导排序。

semantic-registry更适合工具生态已经扩张、开始遇到选择准确性瓶颈的Agent项目；对于工具数量少、任务范围固定的场景，引入注册表的收益可能有限。

在多Agent协作场景中，当不同Agent共享一套工具库时，统一的语义注册表可以降低重复描述和维护成本。