语言模型通过工具执行任务，但实际的智能体需要在包含上千个接口的库中选择。我们提出 工具菜单 的概念：在执行前向代理展示一个简短且有序的子集，代理只能调用该子集中的工具。多步任务需要先执行产生输入的前置工具，再执行最终动作。现有方法仅依据请求相关性对工具排序，往往只呈现最终动作而忽略或延迟不明显的前置工具。为此我们引入 状态路径——从可观测的请求状态到目标结果的预执行路线，并提出 State‑Path Tool Menu 来学习该路线。我们的框架将菜单视为这些路线的执行先验。编码器捕捉当前状态下哪些工具可运行、它们的输出如何满足后续输入以及训练路径中常见的顺序。检索器负责覆盖可执行入口、缺失输入的生产者以及最终动作，随后重排序器将生产者排在消费者之前。实验在 ToolBench 上显示，使用该菜单后在线成功率从 0.737 提升至 0.898，且在不修改代理本身的情况下，超越检索、重排序、生成和路由等基线。State‑Path 菜单在仅使用 32 个工具时即可覆盖比官方列表 128 个工具更完整的链路，其提升在不同模型容量的执行器族中均保持。代码已开源于 GitHub。
点评