分别探索，择优采纳：面向超大工具库的执行导向型智能体工具使用
英文标题：Explore Separately, Adopt Selectively: Execution-Guided Tool Use over Large Tool Libraries
针对大语言模型 Agent 在面对包含数千个工具的超大工具库时难以精准选拔与调用的挑战，该论文提出了一种“执行导向”的工具使用新范式。该方法主张将候选工具的试运行探索过程与主任务轨迹分离，通过真实的执行反馈验证工具可行性后，再择优采纳至主执行流中。这一策略有效避免了大量候选工具试错对上下文的污染，显著提升了 Agent 在超大规模真实 API 库中的任务完成率与鲁棒性。该成果为开发者构建具备海量 API 协同能力的生产级自主系统提供了切实可行的解决方案。
打开原文相关 7.2 · 机会 3
2.1 KB
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
摘要
大语言模型智能体（LLM Agent）在任务执行过程中随着新需求的不断涌现，必须能够从包含数千个候选工具的超大工具库中准确发现并调用相关工具。当存在多个候选工具均可能满足同一需求时，往往需要通过实际执行才能准确判定哪个工具最为适用。该研究提出了“分离探索，择优采纳”（Explore Separately, Adopt Selectively）的执行导向型框架，通过将工具探索与试运行环节置于独立的执行分支中，利用真实执行反馈进行筛选，再选择性地将有效工具与运行结果同步至主任务流，从而有效解决了超大规模工具库带来的上下文爆炸与错误级联问题。
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×