摘要
大型语言模型依赖工具使用成为自主智能体，但常因工具知识不足及激活无效导致多步执行失败。本文系统研究了知识获取、激活与内化对工具使用性能的影响。研究发现，实例级经验知识收益显著，而抽象意图级知识收益有限；推理时扩展宽度比深度更能有效激活潜在知识；训练时结合强化学习的知识增强后训练优于监督微调。基于此，提出了知识增强工具执行框架（KATE），在多个基准测试中显著优于现有基线。
AI 推荐理由
论文核心研究 LLM 工具调用能力，提出知识增强框架显著提升多步执行性能。
研究机构
The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China
School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China
论文信息