AutoTool 论文核心总结与关键部分翻译一、主要内容总结1. 研究背景与问题大型语言模型（LLM）智能体凭借推理和决策能力在复杂任务自动化中展现出强大潜力，但现有框架（如ReAct）存在严重瓶颈：工具选择需反复调用LLM进行推理，导致推理成本高、延迟大，限制了其在资源受限或实时场景中的应用。2. 核心发现提出“工具使用惯性”（tool usage inertia）现象：LLM智能体的工具调用存在可预测的序列模式，并非独立随机事件。例如学术数据库检索中，AuthorNodeCheck工具后常跟随LoadAuthorNet工具；通过马尔可夫链分析和似然比检验验证，该现象具有统计显著性，工具选择的条件熵随模型阶数提升显著降低，证明非LLM预测的可行性。3. 解决方案：AutoTool框架AutoTool是一种基于图结构的轻量级工具选择框架，核心思路是利用工具使用惯性绕过冗余LLM推理，主要包含三部分：工具惯性图（TIG）构建：动态构建有向图，节点代表工具及参数，边编码工具序列依赖（转移概率）和参数数据流，通过历史轨迹增量更新，并结合执行反馈调整边权重。惯性感知工具选择：计算综合惯性潜力分数（CIPS），平衡历史频率得分与当前任务上下文相关性得分，筛选高置信度候选工
AutoTool 论文核心总结与关键部分翻译一、主要内容总结1. 研究背景与问题大型语言模型（LLM）智能体凭借推理和决策能力在复杂任务自动化中展现出强大潜力，但现有框架（如ReAct）存在严重瓶颈：工具选择需反复调用LLM进行推理，导致推理成本高、延迟大，限制了其在资源受限或实时场景中的应用。2. 核心发现提出“工具使用惯性”（tool usage inertia）现象：LLM智能体的工具调用存在可预测的序列模式，并非独立随机事件。例如学术数据库检索中，AuthorNodeCheck工具后常跟随LoadAuthorNet工具；通过马尔可夫链分析和似然比检验验证，该现象具有统计显著性，工具选择的条件熵随模型阶数提升显著降低，证明非LLM预测的可行性。3. 解决方案：AutoTool框架AutoTool是一种基于图结构的轻量级工具选择框架，核心思路是利用工具使用惯性绕过冗余LLM推理，主要包含三部分：工具惯性图（TIG）构建：动态构建有向图，节点代表工具及参数，边编码工具序列依赖（转移概率）和参数数据流，通过历史轨迹增量更新，并结合执行反馈调整边权重。惯性感知工具选择：计算综合惯性潜力分数（CIPS），平衡历史频率得分与当前任务上下文相关性得分，筛选高置信度候选工
)
