摘要
大型语言模型(LLM)日益依赖外部工具完成复杂任务,工具文档成为关键资源。现有研究多关注提升Agent的工具使用能力,却将文档视为固定输入。本文通过大规模实证研究揭示,不同信息字段的有效性高度依赖于任务领域、LLM主干及Agent范式,不存在通用的固定文档。为此,我们提出DocsChisel框架,通过分析Agent执行失败轨迹识别文档问题,并迭代增删改各工具的信息字段以优化文档。实验表明,DocsChisel相比原始文档使任务成功率提升95.89%,相比基线平均提升75.15%。
AI 推荐理由
论文聚焦于LLM Agent的工具使用能力,通过优化工具文档来提升Agent调用API和完成任务的技能表现。
研究机构
复旦大学计算机科学技术学院,人工智能学院
论文信息