Contract2Tool：学习前置条件与效果用于可靠的工具增广智能体

工具增强的大型语言模型代理越来越依赖外部 API，但标准工具模式描述了如何调用工具，而不是工具何时适合因果关系或它产生什么任务状态。因果工具过滤通过使用指定每个工具的先决条件、效果、风险级别和成本的轻量级合约来解决这一差距。然而，手动编写和维护此类合约无法扩展到大型或不断变化的工具生态系统。我们引入了 Contract2Tool，这是一个用于从元数据、模式、文档和执行跟踪推断工具契约的框架。 Contract2Tool 将可观察的工具证据转换为规范化的符号合约，这些合约可以进行本质评估并部署在下游因果工具过滤中。我们根据黄金前提条件、效果和风险标签评估学习合约，并衡量其在多步骤代理任务上的下游效用。我们的结果表明，混合记录和追踪证据生成的合同足够准确，可以保留黄金合同的大部分可靠性和效率优势。学习合约 CMTF 实现了 0.980 的下游成功，接近黄金合约 CMTF 的 0.990，同时将可见工具从 100 个减少到 1 个，并将相对于所有工具暴露的平均词元使用量从 26,172 减少到 2,528。这些结果表明，学习契约可以在工具模式和可靠的代理执行之间提供可扩展的契约层。