摘要
大语言模型（LLM）智能体通常需要历史对话来恢复当前工具请求中被省略的参数值。本研究提出了SCAR–Pair，一种用于工具选择后记忆检索的两阶段排序器。它将模式扩展的候选生成与参数级评分分离，并通过查询平衡的成对学习整合了请求、工具、字段和交叉编码器的证据。在一个包含19,661段对话和391个带证据任务的经重建的Mem2ActBench数据集中，SCAR–Pair在分层五折评估下取得了0.450的Recall@5和0.365的nDCG@5，而匹配的仅请求成对排序器分别为0.396和0.325。组件感知区间和调整后检验支持了这些以任务为权重的增益，尤其是在以ToolACE为主导的混合数据中。控制比较支持了相对于仅请求评分的完整模式视图评分配置（在同一候选池上），但并未将正确的模式语义或单独字段组件隔离为独立贡献因素。相对于逐点训练的成对优势同样不显著。在所有测试的阅读器中，更高的检索质量并未带来相对于严格仅请求控制的显著工具调用准确率优势。因此，SCAR–Pair在所评估的设置中改善了已选工具的记忆证据排序。
