Recent advancements in large language models (LLMs) integrated with external tools and APIs have successfully addressed complex tasks by using in-context learning or fine-tuning. Despite this progress, the vast scale of tool retrieval remains challenging due to stringent input length constraints. In response, we propose a pre-retrieval strategy from an extensive repository, effectively framing the problem as the massive tool retrieval (MTR) task. We introduce the MTRB (massive tool retrieval benchmark) to evaluate real-world tool-augmented LLM scenarios with a large number of tools. This benchmark is designed for low-resource scenarios and includes a diverse collection of tools with descriptions refined for consistency and clarity. It consists of three subsets, each containing 90 test samples and 10 training samples. To handle the low-resource MTR task, we raise a new query-tool alignment (QTA) framework leverages LLMs to enhance query-tool alignment by rewriting user queries through ranking functions and the direct preference optimization (DPO) method. This approach consistently outperforms existing state-of-the-art models in top-5 and top-10 retrieval tasks across the MTRB benchmark, with improvements up to 93.28% based on the metric Sufficiency@k, which measures the adequacy of tool retrieval within the first k results. Furthermore, ablation studies validate the efficacy of our framework, highlighting its capacity to optimize performance even with limited annotated samples. Specifically, our framework achieves up to 78.53% performance improvement in Sufficiency@k with just a single annotated sample. Additionally, QTA exhibits strong cross-dataset generalizability, emphasizing its potential for real-world applications.

Abstract Bacterial pneumonia is a significant public health burden, contributing to substantial morbidity, mortality, and healthcare costs. Current therapeutic strategies beyond antibiotics and adjuvant therapies are limited, highlighting the need for a deeper understanding of the disease pathogenesis. Here, we employed single-cell RNA sequencing of 444,146 bronchoalveolar lavage fluid cells (BALFs) from a large cohort of 74 individuals, including 58 patients with mild ( n = 22) and severe ( n = 36) diseases as well as 16 healthy donors. Enzyme‐linked immunosorbent and histological assays were applied for validation within this cohort. The heterogeneity of immune responses in bacterial pneumonia was observed, with distinct immune cell profiles related to disease severity. Severe bacterial pneumonia was marked by an inflammatory cytokine storm resulting from systemic upregulation of S100A8 / A9 and CXCL8 , primarily due to specific macrophage and neutrophil subsets. In contrast, mild bacterial pneumonia exhibits an effective humoral immune response characterized by the expansion of T follicular helper and T helper 2 cells, facilitating B cell activation and antibody production. Although both disease groups display T cell exhaustion, mild cases maintained robust cytotoxic CD8 + T cell function, potentially reflecting a compensatory mechanism. Dysregulated neutrophil and macrophage responses contributed significantly to the pathogenesis of severe disease. Immature neutrophils promote excessive inflammation and suppress T cell activation, while a specific macrophage subset (Macro_03_M1) displaying features akin to myeloid-derived suppressor cells (M-MDSCs) suppress T cells and promote inflammation. Together, these findings highlight potential therapeutic targets for modulating immune responses and improving clinical outcomes in bacterial pneumonia.