arXiv cs.CL· Anna Mazhar, Seiji Maekawa, Nikita Bhutani·· 11 小时前AI 评分38
BRIA：在大型工具库中分支探索、选择性采纳的执行引导工具使用智能体
Explore Separately, Adopt Selectively: Execution-Guided Tool Use over Large Tool Libraries
AI 导读
研究者提出智能体 BRIA（BRanch-Inspect-Adopt），将候选工具的调查隔离在独立分支中执行，任务智能体只把有用的执行结果采纳进主轨迹。
正文 · AI 翻译
摘要：大型语言模型智能体必须在任务执行过程中随着新需求的出现，从大型工具库（例如数千个工具）中发现相关工具。当多个候选工具都能满足同一需求时，可能需要通过执行来识别相关的那一个。在共享轨迹中考察候选工具，可能会使其他备选方案得不到探索，或者让失败的尝试影响后续推理。为解决这一问题，我们提出了 BRIA（BRanch-Inspect-Adopt，分支-检查-采纳），这是一个简单而有效的智能体，它将候选工具的调查临时隔离在独立的分支中。每个分支检索并执行工具以调查其候选工具；任务智能体检查由此产生的执行证据，并仅将有用的结果采纳到其持续进行的轨迹中。BRIA 会在任务执行过程中随着新能力需求的出现检索更多工具。我们在 PlanBench-XL 和 MCP-Atlas 上评估了 BRIA，使用了一个包含 1897 个工具的共享工具池、三个语言模型，以及静态和自适应检索基线。在所有设置中，BRIA 都达到或超过了最强的检索基线。在 MCP-Atlas 上，它取得了 89.77 的平均 claim 分数，而 MCP-Zero 为 75.40，提升了 14.37 个百分点。BRIA 还位于任务性能和输入 token 成本的帕累托前沿上。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.22688 [cs.CL] |
| （或 arXiv:2610.22688v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22688 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Anna Mazhar [查看电子邮件]
[v1]
2026年10月15日星期四 21:56:10 UTC（557 KB）
来源：arXiv cs.CL · arxiv.org