摘要
针对多轮工具使用 Agent 在长程序列协调及策略约束方面的挑战，本文提出 ToolGraph 框架。该框架结合模式拓扑与历史感知控制，通过状态匹配定位发散点构建偏好对，并在推理上下文中训练 DPO 以实现自我进化。实验表明，该方法显著提升了 Agent 在复杂任务中的奖励表现，有效缓解了训练与部署的不匹配问题。
AI 推荐理由
论文核心研究 Agent 通过偏好学习实现自我进化与改进。
研究机构
香港科技大学工程学院（广州）
论文信息