基于熵引导的工具感知优化用于高效智能体强化学习

智能体强化学习虽赋予大模型工具使用能力，但常因过度依赖或保守使用导致训练不稳定。为此，本文提出 TAO-RL 框架，结合工具感知的轨迹过滤与熵引导探索。在数据层面，过滤掉工具执行全失败或缺乏区分度的轨迹，构建高质量训练分布；在算法层面，引入工具感知熵引导奖励，重塑优势函数，鼓励关键决策点的多样化探索。实验表明，该方法在多个推理基准上显著优于现有方法。