基于分层执行结构与反思式修正的鲁棒高效工具编排

工具调用是Agentic系统的核心能力，但失败往往并非源于单次工具调用，而是源于多个工具的组织与共同执行方式。现有方法把工具执行与逐步语言推理或显式规划紧耦合，导致行为脆弱、执行开销高。为克服这些局限，我们从工具编排的视角重新审视工具调用。关键洞见是：有效编排并不需要精确的依赖图或细粒度规划。粗粒度的分层结构即可提供全局引导，执行时错误可在局部修正。具体地，我们把工具编排建模为学习捕捉高层工具依赖的分层执行结构，通过上下文约束诱导按层执行。为处理执行时失败，我们引入模式感知的反思式修正机制，在局部检测并修复错误。该设计把错误限制在单次工具调用内，避免重新规划整条执行轨迹。这一结构化执行范式造就了轻量、可复用的Agentic系统编排组件。实验结果表明，我们的方法在降低执行复杂度与开销的同时实现鲁棒的工具执行。代码将公开。