論文の概要: ToolRegistry: A Protocol-Agnostic Tool Management Library for Function-Calling LLMs

• arxiv url: http://arxiv.org/abs/2507.10593v1
• Date: Fri, 11 Jul 2025 20:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.761414
• Title: ToolRegistry: A Protocol-Agnostic Tool Management Library for Function-Calling LLMs
• Title（参考訳）: ToolRegistry:Function-Calling LLMのためのプロトコルに依存しないツール管理ライブラリ
• Authors: Peng Ding,
• Abstract要約: toolregistryはプロトコルに依存しないツール管理ライブラリで、ツール登録、表現、実行、ライフサイクル管理を簡単にする。 ツールレジストリは、ツール統合コードの60-80%の削減、同時実行による最大3.1倍のパフォーマンス向上、OpenAI関数呼び出し標準との100%互換性を実現している。
• 参考スコア（独自算出の注目度）: 1.3830651939939742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM) applications are increasingly relying on external tools to extend their capabilities beyond text generation. However, current tool integration approaches suffer from fragmentation, protocol limitations, and implementation complexity, leading to substantial development overhead. This paper presents Toolregistry, a protocol-agnostic tool management library that simplifies tool registration, representation, execution, and lifecycle management via a unified interface. Our evaluation demonstrates that \toolregistry achieves 60-80% reduction in tool integration code, up to 3.1x performance improvements through concurrent execution, and 100% compatibility with OpenAI function calling standards. Real-world case studies show significant improvements in development efficiency and code maintainability across diverse integration scenarios. \toolregistry is open-source and available at https://github.com/Oaklight/ToolRegistry, with comprehensive documentation at https://toolregistry.readthedocs.io/.
• Abstract（参考訳）: 大規模言語モデル(LLM)アプリケーションは、テキスト生成を超えて機能を拡張するために、ますます外部ツールに依存している。 しかし、現在のツール統合アプローチは、フラグメンテーション、プロトコルの制限、実装の複雑さに悩まされ、開発オーバーヘッドが大幅に増大する。 本稿では,ツール登録,表現,実行,ライフサイクル管理を統一インターフェースで簡略化するプロトコルに依存しないツール管理ライブラリであるToolregistryを提案する。 評価の結果,ツール統合コードの60～80%の削減,並列実行による3.1倍のパフォーマンス向上,OpenAI関数呼び出し標準との100%の互換性を実現している。 実世界のケーススタディでは、様々な統合シナリオにおける開発効率とコードの保守性に大きな改善が示されています。 \toolregistryはhttps://github.com/Oaklight/ToolRegistryで公開されている。

関連論文リスト

• OpaqueToolsBench: Learning Nuances of Tool Behavior Through Interaction [41.38214226411103]
  ツールコールは、Large Language Model (LLM)エージェントが現実世界のタスクを完了するのに不可欠である。 既存のベンチマークでは、シンプルで完全にドキュメント化されたツールを前提としていますが、現実のツールは多くの場合不透明で、明確なベストプラクティスや障害モードが欠如しています。 ツールコールトラジェクトリから実行フィードバックを観察することで,ツールドキュメントを反復的に洗練するツールオブザーバを提案する。
  論文  参考訳（メタデータ） (2026-02-16T21:26:37Z)
• DeepAgent: A General Reasoning Agent with Scalable Toolsets [111.6384541877723]
  DeepAgentは、自律的な思考、ツール発見、アクション実行を実行するエンドツーエンドのディープ推論エージェントである。 長期にわたる相互作用の課題に対処するために,過去の相互作用を構造化エピソード,動作,ツール記憶に圧縮する自律的メモリ折り畳み機構を導入する。 LLMシミュレートされたAPIを活用し、ツール呼び出しトークンにきめ細かいクレジットを割り当てるツールコールアドバンテージ属性を適用した、エンドツーエンドの強化学習戦略であるToolPOを開発した。
  論文  参考訳（メタデータ） (2025-10-24T16:24:01Z)
• Tool-R1: Sample-Efficient Reinforcement Learning for Agentic Tool Use [50.02614257515131]
  大規模言語モデル(LLM)は、言語理解と推論において強力な能力を示している。 本稿では,LLMの汎用的,構成的,多段階的なツール使用を可能にする強化学習フレームワークであるTool-R1を提案する。
  論文  参考訳（メタデータ） (2025-09-16T09:22:21Z)
• Automated Creation and Enrichment Framework for Improved Invocation of Enterprise APIs as Tools [10.440520289311332]
  ACEは、大規模言語モデルのための自動ツール作成および拡張フレームワークである。 パラメータ記述や例を含む豊富なツール仕様を生成して、選択と呼び出し精度を改善する。 当社のフレームワークを,プロプライエタリAPIとオープンソースAPIの両方で検証し,エージェントフレームワークとの統合を実証する。
  論文  参考訳（メタデータ） (2025-09-15T06:41:54Z)
• VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
  VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。 我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。 モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T01:45:18Z)
• Unified Tool Integration for LLMs: A Protocol-Agnostic Approach to Function Calling [1.2935057904849891]
  大規模言語モデル(LLM)は、開発者が複数のプロトコルをナビゲートしなければならない断片化されたエコシステムを作り上げた。 本稿では,実行性能を最適化しながらプロトコルの違いを抽象化するツール統合への統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-08-05T01:06:49Z)
• Designing and Implementing Robust Test Automation Frameworks using Cucumber BDD and Java [0.0]
  本稿では、堅牢なテスト自動化フレームワークの設計と実装に関する包括的なアプローチを詳述する。 Cucumber BDDの自然言語構文を利用することで、このフレームワークは技術的および非技術的チームメンバー間の明確なコミュニケーションを可能にします。 Javaはスケーラブルで保守性があり、効率的なテストスクリプトを作成するバックボーンとして機能します。
  論文  参考訳（メタデータ） (2025-05-22T17:11:05Z)
• PLAY2PROMPT: Zero-shot Tool Instruction Optimization for LLM Agents via Tool Play [24.784100934155237]
  大規模言語モデル(LLM)は、特殊な外部ツールと統合されつつある。 多くのタスクは、最小限またはノイズの多いドキュメントでゼロショットツールの使用を要求する。 提案するPLAY2PROMPTは,各ツールの入力・出力動作を体系的に「再生」する自動フレームワークである。
  論文  参考訳（メタデータ） (2025-03-18T17:09:57Z)
• LLM Agents Making Agent Tools [2.5529148902034637]
  ツールの使用は、大規模言語モデル(LLM)を、複雑なマルチステップタスクを実行できる強力なエージェントに変えた。 しかし、これらのツールは人間の開発者によって事前に実装されなければならない。 論文をコードで自律的にLLM互換のツールに変換するエージェントフレームワークであるToolMakerを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:44:11Z)
• Commit0: Library Generation from Scratch [77.38414688148006]
  Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。 エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。 Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
  論文  参考訳（メタデータ） (2024-12-02T18:11:30Z)
• Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
  現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。 既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。 我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
  論文  参考訳（メタデータ） (2024-05-25T06:41:23Z)
• EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction [56.02100384015907]
  EasyToolは、多種多様で長いツールドキュメントを統一的で簡潔なツール命令に変換するフレームワークである。 トークン使用量を大幅に削減し、現実のシナリオにおけるツール利用のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-01-11T15:45:11Z)
• ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
  我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。 フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-10-26T21:57:21Z)
• Don't Fine-Tune, Decode: Syntax Error-Free Tool Use via Constrained Decoding [11.51687663492722]
  大きな言語モデル(LLM)は多くのタスクで優れていますが、複雑な構文制約のため、外部ツールの使用に失敗することが多いのです。 本研究では,有限状態マシンを用いた復号アルゴリズムTOOLDECを提案する。 実験の結果、TOOLDECはすべての構文エラーを排除し、様々なベースモデルやベンチマークのパフォーマンスが大幅に向上した。
  論文  参考訳（メタデータ） (2023-10-10T23:37:53Z)
• ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs [104.37772295581088]
  オープンソースの大規模言語モデル(LLM)、例えばLLaMAは、ツール使用能力に大きく制限されている。 データ構築、モデルトレーニング、評価を含む汎用ツールであるToolLLMを紹介する。 ツール使用のためのインストラクションチューニングフレームワークであるToolBenchを,ChatGPTを使って自動構築する。
  論文  参考訳（メタデータ） (2023-07-31T15:56:53Z)
• ART: Automatic multi-step reasoning and tool-use for large language models [105.57550426609396]
  大規模言語モデル(LLM)は、数秒とゼロショットの設定で複雑な推論を行うことができる。 各推論ステップは、コアLLM機能を超えて計算をサポートする外部ツールに依存することができる。 プログラムとして中間推論ステップを自動生成するために凍結LDMを使用するフレームワークであるART(Automatic Reasoning and Tool-use)を導入する。
  論文  参考訳（メタデータ） (2023-03-16T01:04:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。