通过经验驱动的自适应指导改善Agent工具使用的鲁棒性

代理的性能瓶颈正从模型能力逐渐转移到其执行过程的鲁棒性。工具作为代理与外部环境交互的主要接口，但现有的方法很少关注在不同运行条件下的多样工具使用。为解决这一问题，我们提出了ExpG（Explainable Guidance for Agents），这是一种机制，通过构建和细化每个工具的能力边界及其最佳实践来增强代理对工具的使用，并使它们更鲁棒且有效。ExpG由三个阶段组成：(1)经验获取，分析历史执行轨迹中的工具调用质量，通过多方面属性进行结构化可学习的经验；(2)经验提炼，通过过滤无益的经验并选择具有等价类方法代表性的经验，将这些经验总结成通用指导；(3)经验复用，在未来任务解决过程中应用这些指导。广泛的实验表明，ExpG在工具选择、调用和响应生成任务上带来一致的改进，使较小的代理超越使用了ExpG的大代理。此外，ExpG在挑战性设置中取得了特别强的表现，暗示了一条走向更鲁棒工具使用的有希望的道路。我们的代码、实验和结果均可获得。