Tool Planning Generalization Function-Level Graph Reinforcement Learning
摘要

历史工具使用轨迹为大语言模型智能体的规划和协调提供了宝贵经验。现有方法直接从这些轨迹构建工具级图,但生成的图仍局限于特定工具,难以在不同工具集之间泛化。为解决这一挑战,我们发现尽管涉及的工具有所不同,类似任务通常共享共同的功能级工作流程结构,这为工具规划提供了更具可转移性的抽象。基于此洞察,我们提出了ToolLIFT框架,将特定工具的轨迹提升为功能级工作流图(FWG),以实现通用的工具规划。具体而言,我们首先提出了一种轨迹提升机制,在FWG中编码工作流结构并共享跨工具的合作经验。然后,基于FWG的全局结构,我们引入了解耦的工作流规划和工具选择,以将单个工具的选择与整体工作流对齐。最后,为了确保可靠的工具数据流,我们采用强化学习(RL)并提出源门控和技能特定奖励,以维持跨工具调用的可追溯信息流。在两个分布内(ID)和三个分布外(OOD)基准上的实验表明,ToolLIFT始终优于最先进的方法,展示了对未见工具集的强泛化能力。

AI 推荐理由

论文核心解决工具规划问题,提出函数级工作流图以实现泛化任务规划。

研究机构
北京航空航天大学计算机学院
论文信息
作者 Xiuhui You, Jiayi Luo, Zichao Shen, Qingyun Sun, Ziwei Zhang
发布日期 2026-08-04
arXiv ID 2608.03468
相关性评分 9/10 (高度相关)