DOCSCHISEL：LLM 代理的自适应工具文档优化框架

大语言模型 (LLM) 越来越依赖外部工具来完成复杂的现实任务，这使得工具文档成为 LLM 代理的关键基础资源。现有研究主要集中于提高LLM智能体的工具使用能力，同时很大程度上将工具文档视为固定输入。尽管最近的一些工作尝试通过重写或压缩来优化工具文档，但人们对工具文档中包含的信息如何影响不同设置下的代理性能知之甚少。为了弥补这一差距，我们对 LLM 代理的工具文档进行了大规模的实证研究。我们的研究揭示了现有工具文档提供的信息领域存在显着的异质性。此外，不同信息字段的有效性高度依赖于任务域、LLM 主干和代理范式，这表明没有固定的工具文档可以一致地概括不同的代理设置。受这些发现的启发，我们提出了 DocsChisel，这是一种适用于 LLM 代理的自适应工具文档优化框架。 DocsChisel 分析目标 LLM 代理的失败执行跟踪，以识别与文档相关的问题，并通过添加、删除和细化每个工具的信息字段来迭代优化工具文档。我们根据两个最先进的基线（即 EasyTool 和 DRAFT）评估 DocsChisel。实验结果表明，DocsChisel 使 LLM 代理的任务成功率比原始工具文档提高了 95.89%，比现有基线平均提高了 75.15%，同时产生有限的优化时间和词元开销