Think-Augmented Function Calling：通过嵌入式推理提升LLM参数准确性

大语言模型（LLM）在自主智能体的函数调用方面展现了卓越能力，但当前机制在参数生成过程中缺乏显式的推理透明性，对参数相互依赖的复杂函数尤为突出。虽然链式思考提示等现有方法在智能体层面运作，但无法为单个函数参数提供细粒度推理引导。为解决这些局限，我们提出Think-Augmented Function Calling（TAFC），一个通过函数级和参数级显式推理提升函数调用准确性的新框架。我们的方法引入通用的“think”参数增强，使模型能够清晰表达其决策过程，并对参数描述进行动态优化以提升推理质量。对于复杂参数，TAFC基于复杂度评分自动触发细粒度推理，确保关键决策得到适当论证。此外，我们提出推理引导的优化，使生成的推理与人类期望对齐。TAFC无需对现有LLM进行架构修改，同时保持完整的API兼容性。在ToolBench上对闭源与开源模型的评估显示，多参数函数的参数生成准确性和推理连贯性显著提升，同时为调试AI智能体行为提供更强的可解释性。