工具文档质量成AI智能体瓶颈？ICLR 2026新研究：简单文档扩展即可显著提升工具检索性能

在大模型时代，工具调用（Tool-Use）已成为智能体能力的核心。从代码生成到复杂API调用，大语言模型正在学会使用各类工具。然而，一个日益凸显的现实问题是：工具真的难找。

来自宁波东方理工大学/宁波数字孪生研究院沈晓宇团队的一项研究，在ICLR 2026发表论文《Tools Are Under-Documented: Simple Document Expansion Boosts Tool Retrieval》，提出了一个直接而重要的论断：当前工具检索的瓶颈，往往不在于模型能力，而在于工具文档本身的质量。

背景：工具检索的隐形障碍

随着可用API数量激增至数千甚至上万，工具检索已成为工具调用系统中的关键前置步骤：模型必须首先从庞大的工具集合中找到合适的工具，然后才能进行调用与执行。

尽管一系列评测基准（如ToolBench、ToolRet等）推动了相关模型的发展，但在实际应用中，一个基础却长期被忽视的问题始终存在：工具文档本身质量参差不齐。许多工具的说明存在结构不统一、描述不完整等问题，不同API的功能介绍粒度差异很大。与此同时，用户查询通常以自然语言表达具体任务需求，而工具文档则多以简略的技术描述或函数说明呈现，二者之间存在明显的语义鸿沟。

因此，问题并不完全在于模型能否理解工具，而在于当前工具文档缺乏结构化、可检索、且与用户查询语义对齐的表达方式。在这种情况下，即使强大的检索模型也难以稳定地匹配到正确工具。

核心思路：先优化文档，再训练模型

该研究提出了一个看似简单却系统化的解决方案：先对工具文档进行结构化扩展，再基于扩展后的文档进行模型训练与评估。

具体而言，通过对工具文档进行结构化扩展，将原本零散、简略的API描述补充为更完整、可检索的语义信息，然后基于扩展后的文档重新构建训练数据并训练模型。相比直接改进模型架构，这种方式从数据与文档质量入手，系统性地缩小了用户查询与工具描述之间的语义差距。

论文构建了三个关键组件：

1. TOOL-REX：扩展版工具检索基准

在原有ToolRet基准的基础上，论文引入了结构化的tool_profile字段，对工具文档进行系统扩展。新增信息包括：
* function：工具的核心功能。
* tags：描述工具能力的关键词。
* when_to_use：适用场景与任务类型。
* limitation：使用限制或边界条件。

这些字段通过一个低成本的自动化文档扩展流程构建。首先使用Qwen3-32B对原始文档进行结构化扩展，将分散的信息整理为统一的tool_profile结构，所有生成内容均需在原文中找到语义支持。随后，使用LLaMA-3.1-70B对生成结果进行语义一致性验证。对于少量未通过验证的样本，则使用更强的模型（如GPT-4o）进行重新生成与修正。最后，通过抽样人工审核确保扩展文档的真实性与一致性。

通过这一“LLM扩展 → LLM校验 → 再生成修正 → 人工抽检”的流程，原始工具文档被系统性地补充为结构化的工具描述，使其语义更加完整，同时保持对原始信息的忠实表达。

2. 大规模训练语料

基于一套低成本的自动化数据构建流程，论文进一步生成了大规模工具检索训练数据，包括：
* 5万条嵌入模型训练样本。
* 20万条重排序模型训练样本。

这些数据均基于结构化扩展后的文档构建，形成了目前规模最大的结构化工具检索训练语料之一，为后续模型训练提供了更丰富且语义对齐的数据基础。

3. 两个专用模型

在上述数据基础上，论文训练了两个专门面向工具检索场景的模型：
* Tool-Embed：面向密集检索的嵌入模型，用于在大规模工具库中进行高效召回。
* Tool-Rank：基于大语言模型的重排序器，用于在候选工具集合中进行精细排序。

通过“结构化文档 + 大规模数据 + 专用模型”的组合，该研究构建了一套完整的工具检索解决方案。

结果：简单扩展，显著提升

在ToolRet与新构建的TOOL-REX基准上的实验表明，仅通过对工具文档进行结构化扩展，就能带来稳定且显著的性能提升。

首先，文档扩展本身就能明显改善检索效果。在相同模型结构下，仅替换为扩展后的工具文档，检索性能便出现显著提升，说明文档表达质量对工具检索具有直接影响。

在此基础上，训练的两个专用模型Tool-Embed与Tool-Rank在多个评测任务上进一步达到了新的先进水平。不仅整体指标提升明显，在具体案例分析中也能看到直观改进：原本排在候选列表前十名之外的正确工具，能够被重新检索并提升至更靠前的位置。

这些提升并非源于更复杂的推理过程或更大规模的模型，而是来自更完整、更结构化的语义表达。

更深层的发现

论文进一步分析了不同结构化字段对检索性能的贡献，发现不同信息在检索流程中发挥着不同作用。

其中，function与tags等字段对密集检索的影响最为显著，它们为模型提供了更明确的功能语义，使工具在向量空间中的表示更加清晰。而when_to_use等场景描述则在重排序阶段发挥更重要的作用，帮助模型判断工具是否真正符合具体任务需求。

同时，扩展后的文档不仅能够提升训练阶段的效果，也能在评测过程中带来更稳定的检索表现，减少因描述不完整导致的语义匹配误差。

这些分析共同表明：文档质量本身就是检索系统的重要组成部分。

总结

当“增强模型”成为默认研究方向时，这项研究给出了一个更朴素却有效的答案：在工具检索任务中，提升文档表达质量，往往比增加模型复杂度更能直接改善检索效果。

Better documentation → Better retrieval.

感兴趣的小伙伴可关注后续研究进展。

关注“鲸栖”小程序，掌握最新AI资讯