Programmatic Tool Calling
PulseAugur coverage of Programmatic Tool Calling — every cluster mentioning Programmatic Tool Calling across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
ProgAgent框架通过程序化训练增强LLM工具编排
研究人员推出了一种名为ProgAgent的新训练框架，旨在改进大型语言模型（LLM）在复杂、长周期任务中编排工具的能力。与可能遭受上下文衰减的传统直接工具调用（DTC）方法不同，ProgAgent通过可执行代码调用工具并在运行时变量中管理中间结果，从而利用程序化工具调用（PTC）。该方法在合成任务集上进行训练，与基线模型相比，已显示出更高的成功率，特别是在LOCA-bench上取得了30.7%的通过率，而其他模型得分为零。
-
OpenAI的程序化工具调用使AI代理能够编写自定义代码
OpenAI的程序化工具调用功能允许AI代理编写代码来过滤数据。在测试中，此功能降低了重复任务的成本，但增加了新研究主题的费用。该工具的有效性似乎取决于上下文。
-
Salesforce发布企业级AI模型Koa；Bash在代理方面表现优于专用工具
Salesforce开发了一个名为Koa的企业语言模型，该模型基于Nemotron-3-Super-120B并进行了强化学习增强。该模型专为代理工具使用而设计，特别是在客户关系管理领域，并在相关基准测试中表现优于其基础模型和专有基线。此外，一项比较企业代理工具接口的研究发现，单独使用Bash通常优于专用工具甚至程序化工具调用，尤其是在效率和成本方面，尽管程序化工具调用为特定的企业需求提供了安全的替代方案。
-
研究发现：程序化工具调用优于LLM的JSON调用
一篇新论文评估了大语言模型的程序化工具调用（PTC）与传统JSON工具调用的对比。研究发现，PTC将工具暴露为模型可调用的类型化Python存根，在BFCL v4基准测试中，对于大多数测试模型，其性能与JSON工具调用相当或更优。值得注意的是，GPT-5.6系列在使用PTC时比JSON基线提高了10.6%，并且在基线性能下降的上下文轮换条件下，PTC保持了稳定性。
-
OpenAI 的 GPT-5.6 通过新的代码编写工具编排，削减了 Token 使用量
OpenAI 发布了 GPT-5.6，这是一个新的模型家族，包括 Sol、Terra 和 Luna。通过编写代码来编排工具调用，而不是逐个调用，它显著提高了效率。一位早期客户观察到这一变化，使得相同的代理任务的 Token 使用量减少了 63.5%。尽管这一程序化工具调用（Programmatic Tool Calling）的进步被基准测试和定价新闻所掩盖，但它解决了 AI 代理与工具交互中的一个主要低效问题，有可能使复杂的 AI 操…