이 연구는 수천 개의 도구를 다루는 실용적 에이전트를 위해, 실행 전 에이전트에게 제시되는 짧고 순서화된 도구 부분집합인 '도구 메뉴'를 개선하는 State-Path Tool Menu를 제안한다. 기존 구성 방식은 요청 관련성으로 도구 순위를 매겨 최종 행동은 잘 노출하지만 그 입력을 만드는 선행 도구는 놓치기 쉬웠다. 이 방법은 요청 상태에서 목표 결과로 가는 실행 전 경로인 '상태 경로'를 학습해, 실행 가능한 항목과 누락된 입력 생산자, 최종 행동을 함께 검색하고 생산자를 소비자보다 앞에 배치한다. ToolBench 실험에서 온라인 성공률을 0.737에서 0.898로 끌어올렸으며, 128개 도구를 다루는 공식 목록보다 32개 도구만으로 더 완전한 도구 체인을 커버했다.

• •요청 상태에서 목표까지의 실행 전 경로인 '상태 경로' 개념을 학습하는 도구 메뉴 구성법 제안
• •ToolBench에서 온라인 성공률을 0.737에서 0.898로 향상
• •128개 도구를 담은 공식 목록보다 32개만으로 더 완전한 도구 체인 커버
• •다양한 모델 규모의 실행기에서도 성능 개선 효과 유지