学习重写字工具描述以实现可靠的 LLM-Agent 工具使用

基于大语言模型的智能体性能不仅取决于模型本身，还受限于工具接口的质量。现有工具描述多为面向人类设计，在大规模工具选择场景中成为瓶颈，且依赖执行轨迹的方法难以适用于冷启动或隐私受限场景。本文提出 Trace-Free+ 课程学习框架，将在有轨迹数据中学到的监督信号迁移至无轨迹部署环境，促使模型抽象可复用的接口使用模式。实验表明，该方法在未见工具上表现优异，具备强大的跨域泛化能力及面对百级工具候选集时的鲁棒性。