微软Tracer裁剪128个Agent工具至55个 准确率提升4.7% token降80%

微软与加州大学伯克利分校合作推出Tracer（Trie Retrieval Across Contextual Edges, Reweighted）框架，旨在解决Agent系统中工具数量激增导致的上下文膨胀与决策失准问题。针对128个工具的τ²-bench评测集，Tracer通过构建历史调用轨迹前缀树，结合边级上下文记忆与状态自适应权重机制，将候选工具精简至55个（削减57%），工具选择准确率由57.2%提升至61.9%，单步推理token消耗下降约80%；在free-running模式下，任务成功率与全工具集相当，但token用量减少61%。其核心创新在于摒弃传统独立检索范式，转而建模序列决策特性：利用完整调用路径构建全前缀条件化trie，每条边存储对应对话嵌入以区分语义相近工具，并通过轻量线性头动态融合历史先验与当前语义信号。实验表明，若固定混合权重，准确率骤降至50.5%，验证了状态自适应机制的关键作用。Tracer作为前置过滤层可无缝集成现有RAG-MCP架构，依赖历史成功轨迹离线构建，具备良好落地可行性。该方法不仅降低推理成本、抑制工具幻觉，更推动Agent设计从静态工具堆砌转向路径感知智能，为Copilot等产品生态提供潜在技术支撑。