English(EN) Explore Separately, Adopt Selectively: Execution-Guided Tool Use over Large Tool Libraries

新代理BRIA通过隔离调查来改进LLM工具选择

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员开发了BRIA（BRanch-Inspect-Adopt），一个旨在改进大型语言模型如何从广泛的库中选择和使用工具的代理。BRIA将对多个潜在工具的调查隔离到不同的分支中，允许每个分支独立执行。然后，任务代理会检查这些分支的结果，并将有用的结果整合到其主要的推理过程中。这种方法可以防止失败的尝试对后续步骤产生负面影响，并确保在需要时检索新功能。在使用近2000个工具的库对PlanBench-XL和MCP-Atlas进行评估时，BRIA的表现与现有的检索基线相当或更优，在MCP-Atlas上的声明得分有了显著提高。 AI

影响通过改进工具选择，提高LLM代理在复杂任务执行中的效率。

排序理由详细介绍LLM代理新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 19 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍LLM代理新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Anna Mazhar, Seiji Maekawa, Nikita Bhutani · 2026-10-19 04:00

独立探索，选择性采纳：基于执行的大规模工具库使用

arXiv:2610.22688v1 Announce Type: cross Abstract: Large language model agents must discover relevant tools from large libraries, e.g., thousands of tools, as new needs arise during task execution. When several candidates could satisfy the same need, execution may be required to i…

本文如何被排名

报道来源 [1]

独立探索，选择性采纳：基于执行的大规模工具库使用

相关实体

相关话题