SAP 的 TRACE 在保留工具知识的同时实现 86% 召回
SAP · hf · 2026-07-28
SAP 提出 TRACE：既保留工具知识，又把检索延迟降到生产可用
TRACE 是一套面向企业 LLM 工具检索的两阶段课程学习方案，目标是同时解决两个问题：
- 参数化工具检索在训练中会破坏模型已有的工具知识
- 传统的受限 beam search 解码太慢，不适合实时部署
方法上，它先沿用 ToolSense 风格的多格式记忆式 SFT，并用 LoRA 先把工具知识“种进去”；随后进入核心阶段：让模型在输出 JSON 工具 token 列表前，先生成一段 reasoning trace。训练数据来自两部分：
- ToolSense 的 RRB 配对数据
- 由领域专家整理业务规则后，再合成的查询与推理轨迹
论文给出的结果包括：
- 第二阶段不会破坏第一阶段的 MCQ 和 QA probing 能力
- MCQ 准确率提升 3.2 个百分点
- QA probing 提升 9 个百分点
- 在覆盖 8300+ 工具、跨两个企业产品线的数据集上，Domain A 召回率约 86%，Domain B 约 60%
- 同样条件下，embedding baseline 只有约 27% 和 52%
- 关键是它可以用 single-beam greedy decoding 达到生产延迟，避免 beam search 的速度瓶颈
这篇工作的核心价值在于：它不是单纯把检索做准，而是把“可部署性”也一起纳入了设计目标。
「编程与Agent」频道最新
- Agensis 推出共享工作区：AI 代理默认回复并保留记忆 — jasonkneen · 2026-07-28
- 演示用 Antigravity 串起 Android、BigQuery 和 Cloud Run — rseroter · 2026-07-28
- 一款开发者小设备接入八个编程代理 — dee_hw · 2026-07-28
- SWE-rebench 扩展到 5 种语言，并加入本地 Qwen 模型 — Fabulous_Pollution10 · 2026-07-28
- 一个 Claude Code 技能可本地搜 2,039 条 Hormozi 语料并给出引用 — jacob_posel · 2026-07-28
- 开发者用 AI 自动播报 MRR，告别刷新支付后台 — KevinNaughtonJr · 2026-07-28