# TRACER提升大语言模型智能体的工具选择效率

> 新推出的TRACER前端让大语言模型能以更少的token、更高的准确率挑选工具；测试中，token用量减少了80%。

Oossa · 2026-10-16 · https://oossa.com/zh/tracer-speeds-up-tool-selection-for-llm-agents

研究人员发布了TRACER，这是一种检索系统，可帮助大语言模型智能体从大型工具库中选出合适的工具。该系统用字典树（一种树状索引）保存以往的工具调用序列，并结合数据驱动的线索和上下文信息，为可能的下一步工具排序。在实验中，TRACER让GPT‑5.4选对工具的概率提高了4.7个百分点，同时只展示128种工具中的5种，每步输入token用量减少约80%。

## 效果提升有多大？

在六种测试环境和四种语言模型中，TRACER在24组模型与环境的组合中，有21组优于展示完整工具库的方案。工具选择准确率平均提高6至10个百分点；表现较差的三组，差距均不超过2.2个百分点。在一次完整回合的自主运行测试中，TRACER在整体任务成功率上与GPT‑5.4持平，同时每步输入token用量减少61%。

## 这对用户意味着什么

对于开发需要调用外部服务的AI助手（例如查询库存或开通电信套餐）的开发者来说，TRACER可以减少发送给语言模型的token，从而让助手运行更快、成本更低。token数量减少，也能降低可用工具众多时触及模型上下文长度限制的可能性。

## 事实

- 在一个结合零售和电信服务的环境中，TRACER使GPT‑5.4的工具选择准确率提高4.7个百分点。
- 它每步可将输入token用量减少约80%，只展示128种工具中的5种。
- 在完整回合的自主执行中，它在任务成功率上保持相同表现，同时每步token用量减少61%。
- 在六种环境和四种模型中，TRACER在24组模型与环境的组合中，有21组优于展示完整工具库的方案。
- 准确率平均提高6至10个百分点；表现较差的三组最多落后2.2个百分点。

## 为什么重要

开发者可以构建响应更快、运行成本更低的智能助手，因为这类助手只需向语言模型发送更少的token。对终端用户来说，当AI需要查询价格、预约服务或从外部系统获取数据时，响应可能会更快。

## 来源与参考

1. [TRACER: Trajectory-Aware Tool Retrieval for LLM Agents](https://arxiv.org/abs/2610.21267) – arXiv cs.IR, 2026-10-16

最后更新: 2026-10-16