要旨: 意味のギャップは、ユーザーがタスクをどのように記述するかと、ツールがどのように文書化されているかの間に存在する。APIエコシステムが数万のエンドポイントにまで拡大すると、最初のクエリだけに基づく静的な取得ではこのギャップを埋めることはできない。エージェントの「何が必要か」という理解は実行中に変化するが、そのツール集合は変化しないからである。我々は、推論ループに直接埋め込むことで取得を動的にする、学習不要（training-free）の枠組みFitTextを提案する。FitTextは、取得プローブとして自然言語の擬似ツール記述を生成し、取得フィードバックを用いてそれらを反復的に洗練し、確率的生成により多様な代替案を探索する。Memetic Retrievalは、冗長な探索を避けるツールメモリに導かれた候補記述に対して進化的な選択圧を加える。ToolRet（43kツール、4ドメイン）では、FitTextは平均取得順位を8.81から2.78へ改善する；StableToolBench（16,464 API）では平均パス率が0.73に達し--静的クエリ取得に対する絶対的な24ポイントの向上である。これらの改善は、適切な意味オペレータとして振る舞える基盤モデル間で転移する。より弱い基盤モデルでは、Memeticの進化探索が反転し--洗練ではなくノイズを増幅してしまい--進化的なツール探索の前提条件としてモデルの能力が表面化する。
FitText：メメティック・リトリーバルによるエージェントのツール生態系の進化
arXiv cs.AI / 2026/5/5
📰 ニュースDeveloper Stack & InfrastructureSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- FitTextは、エージェントによるツール利用における「セマンティックギャップ」（ユーザーのタスク記述とツール文書の食い違い）を、実行中に検索を動的に更新することで解決しようとします。
- トレーニング不要の枠組みとして、検索プローブ用に自然言語の擬似ツール記述を生成し、検索フィードバックで反復的に改良しつつ、確率的生成で多様な候補を探索します。
- Memetic Retrievalにより、ツール候補記述に対して進化的な選択圧をかけます。また、ツールメモリを用いて冗長な探索を避けます。
- 実験では大きな改善が示されており、ToolRet（43kツール）で平均検索順位が8.81から2.78に向上し、StableToolBench（16,464 API）では平均パス率が0.73に達して静的検索より24ポイントの絶対改善です。
- 本手法は強いセマンティックオペレータとして振る舞えるベースモデルで汎化しますが、弱いベースモデルでは進化的探索がノイズを増幅してしまうため、探索を有効に行うにはモデルの能力が前提となることを示唆しています。
