MemToolAgent：基于环境状态的利用记忆的工具使用智能体

现代大语言模型（LLM）代理可以使用外部工具来帮助用户解决复杂的任务。然而，对于需要从长期历史事件或之前的智能体与环境交互中学习的问题，LLM 智能体需要使用记忆机制来存储和检索经验。虽然对话代理存在复杂的记忆系统，但很少有研究实证检验如何通过过去的用户与代理对话来提高代理的工具使用能力。我们提出了 MemToolAgent，一个通过内存管理改进工具使用的框架。我们的方法包含一个记忆提取模块，将过去的经验处理为结构化记忆条目，以及一个动态选择存储的记忆条目子集的检索模块。这使得能够根据用户偏好和反馈提供更加个性化和准确的响应，而无需大语言模型微调。总之，这项工作有三个主要贡献：（1）统一的内存条目格式，无需LLM微调即可提高通用和个性化工具的使用，（2）基于反射的内存提取，使用环境和用户反馈将错误的执行提炼成批评来存储，以及（3）检索模块，根据内存相似性分布选择要使用多少过去的经验。与 WorkBench、NESTFUL 和 PEToolBench 基准测试的强大基线相比，MemToolAgent 分别实现了 29%、80% 和 17% 的相对改进。