智能AI
morning
DOCSCHISEL：LLM 代理的自适应工具文档优化框架
摘要
arXiv:2608.10037v1 Announce Type: new Abstract: Large language models (LLMs) increasingly rely on external tools to accomplish complex real-world tasks, making tool documentation a critical grounding ...
tool
documentation
the
LLM
and
agents
for
information
agent
DocsChisel
2026-08-12
1 阅读
约1分钟阅读
You Lu, Kun Zhang, Bihuan Chen, Xin Peng
字号:
arXiv:2608.10037v1 公告类型：新 摘要：大型语言模型 (LLM) 越来越依赖外部工具来完成复杂的现实任务，使工具文档成为 LLM 代理的关键基础资源。现有研究主要集中于提高LLM代理人的工具使用能力，同时很大程度上将工具文档视为固定输入。尽管最近的一些工作尝试通过重写或压缩来优化工具文档，但人们对工具文档中包含的信息如何影响不同设置下的代理性能知之甚少。为了弥补这一差距，我们对法学硕士代理人的工具文档进行了大规模的实证研究。我们的研究揭示了现有工具文档提供的信息领域存在显着的异质性。此外，不同信息领域的有效性高度依赖于任务领域、LLM主干和代理范式，这表明没有固定的工具文档可以一致地概括不同的代理设置。受这些发现的启发，我们提出了 DocsChisel，一种适用于 LLM 代理的自适应工具文档优化框架。 DocsChisel 分析目标 LLM 代理的失败执行跟踪，以识别与文档相关的问题，并通过添加、删除和细化每个工具的信息字段来迭代优化工具文档。我们根据两个最先进的基线（即 EasyTool 和 DRAFT）评估 DocsChisel。实验结果表明，DocsChisel 使 LLM 代理的任务成功率比原始工具文档提高了 95.89%，比现有基线平均提高了 75.15%，同时产生有限的优化时间和令牌开销
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱