arXiv cs.AI· Hao Li, Keqing He, Longtao Zheng, Junlong Li, Weihao Zeng, Qian Liu, Yuzhen Huang·· 3 天前AI 评分40
ProgAgent：通过程序化训练学习工具编排
ProgAgent: Learning Tool Orchestration through Programmatic Training
AI 导读
ProgAgent 是一套完整的 Programmatic Tool Calling（PTC）训练方案，包含可验证长程任务合成流水线、轻量级 PTC 运行时和两阶段训练配方。
正文 · AI 翻译
摘要：大型语言模型（LLM）正日益被期望在长时程任务中编排多种工具。现有智能体通常采用直接工具调用（DTC），即模型按顺序调用工具，工具响应会累积在模型上下文中，这可能导致上下文腐化和编排崩溃。相比之下，程序化工具调用（PTC）通过可执行代码调用工具，并将中间结果存储在运行时变量中，而不是将其追加到上下文中。先前的工作主要将 PTC 作为推理时优化进行探索，但其对智能体训练的益处仍不明确，且合适的可验证训练任务稀缺。在这项工作中，我们提出了 ProgAgent，一个完整的 PTC 训练栈，包括用于合成可验证长时程任务的流水线、轻量级 PTC 运行时以及两阶段训练方案。仅使用在四种环境规模下实例化的 215 个任务，ProgAgent 在四个基准测试中均取得了高于同等规模评估基线的通过率。在 LOCA-bench 上，ProgAgent-14B 在 64k token 环境状态下达到 30.7% 的通过率，而这些基线得分为零。跨框架实验表明，PTC 训练的模型在两种评估接口下均优于 DTC 训练的模型，这表明 PTC 训练的益处超越了接口本身。
| 评论： | 项目页面：此 https URL |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14774 [cs.AI] |
| （或 arXiv:2610.14774v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14774 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hao Li [查看电子邮件]
[v1]
2026年10月10日星期六 09:57:26 UTC（447 KB）
来源：arXiv cs.AI · arxiv.org