摘要
工具增强的 LLM 智能体常 indiscriminately 调用工具，造成资源浪费。本文提出 When2Tool 基准，涵盖三类工具必要性场景。评估发现现有无训练基线控制效果有限。通过探测隐藏状态，发现模型在生成前已隐含知晓工具需求，但未能转化为行动。据此提出 Probe&Prefill 方法，利用线性探针读取隐藏信号并引导生成。实验表明，该方法在几乎不损失准确率的前提下大幅减少不必要的工具调用，显著优于现有基线。
AI 推荐理由
论文核心研究 Agent 何时调用工具，提出新基准与优化方法，直接针对技能学习中的工具选择机制。
研究机构
University of California, San Diego
Amazon AWS
论文信息