ToolAtlas：一次学习，随处重用工具端内存

大语言模型 (LLM) 代理越来越依赖于由共享提供者提供服务并由异构下游代理访问的外部工具。现有方法通过参数更新、提示细化或代理端记忆来改进代理端的工具使用，使得工具知识难以共享并仅限于在过去任务中观察到的行为。我们认为可重用的工具知识应该由工具提供商维护。我们引入了 ToolAtlas，这是一个基于图形的框架，它通过执行验证的探测构建工具功能、故障边界和跨工具组合的持久提供者端工具内存。在推理时，代理通过自适应图遍历查询工具内存。在涵盖八项服务的两个基于 MCP 的基准测试中，ToolAtlas 在 pass@1 中的性能优于现有工具端优化和代理端内存基准，最高可达 21.61%，在 pass@4 中最高可达 18.61%。相同的工具内存还可以在环境实例和代理框架之间传输，而无需重新训练或任务时探索，在 pass@1/pass@4 中分别产生高达 24.16%/16.22% 和 17.49%/14.27% 的相对增益。消融研究表明，这些收益来自于将以工具为中心的内存组织与能力引导的执行探测相结合。这些结果将提供者端工具内存确立为工具服务器的有效且可重用的范例。我们的代码位于：https://github.com/PuppyKnightUniversity/ToolAtlas。