摘要
Agent的性能瓶颈正从模型能力转向执行过程的鲁棒性。现有方法常忽视在多样化运行时条件下确保工具使用的鲁棒性。为此,我们提出ExpG机制,构建并优化自适应指导以捕捉各工具的能力边界和最佳实践。ExpG包含三个阶段:(1)经验获取,通过分析历史轨迹中的工具调用质量,利用多方面归因产生结构化可学习经验;(2)经验蒸馏,通过过滤无用经验、基于等价类方法筛选代表性经验并将其总结为泛化指导,保持经验池的有效性;(3)经验复用,在未来任务求解中自适应应用指导。实验表明,ExpG在工具选择、调用及响应生成任务中带来一致提升,使较小Agent优于未使用ExpG的大型Agent,尤其在挑战性设置下表现强劲。
AI 推荐理由
论文核心聚焦于Agent的工具使用(Tool Use)鲁棒性,通过经验驱动机制优化工具选择与调用,直接对应Skills主题。
研究机构
数字服务计算技术与系统山东省重点实验室
阿里巴巴Token Hub
香港理工大学电气与电子工程系
论文信息