conditional logistic regression

研究发现LLM工具选择受参数模式的严重影响

一项发表在arXiv上的新研究调查了大型语言模型（LLM）如何在模型上下文协议（MCP）系统中选择工具。研究发现，定义工具如何接受输入的参数模式，比工具名称或描述对工具选择的影响更大。LLM倾向于选择具有独立顶级参数的工具，而不是分组或复合形式的参数。研究还表明，解释参数的描述可以增加选择率，而工具名称的效果则不太一致。最终，参数模式不仅影响工具的调用方式，还影响工具是否被选中，这表明模式设计和工具排序对MCP开发者至关重要。