論文の概要: Robust and Efficient Tool Orchestration via Layered Execution Structures with Reflective Correction

• arxiv url: http://arxiv.org/abs/2602.18968v1
• Date: Sat, 21 Feb 2026 22:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.424456
• Title: Robust and Efficient Tool Orchestration via Layered Execution Structures with Reflective Correction
• Title（参考訳）: 反射補正を用いた層状実行構造によるロバスト・効率的な工具編成
• Authors: Tao Zhe, Haoyu Wang, Bo Luo, Min Wu, Wei Fan, Xiao Luo, Zijun Yao, Haifeng Chen, Dongjie Wang,
• Abstract要約: 私たちは、高レベルのツール依存関係をキャプチャする階層化された実行構造を学ぶために、ツールオーケストレーションをモデル化します。 本稿では,局所的にエラーを検出し,修正するスキーマ対応反射補正機構を提案する。 この設計では、エラーを個々のツールコールに限定し、実行軌跡全体の再計画を避ける。
• 参考スコア（独自算出の注目度）: 55.13278005189741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool invocation is a core capability of agentic systems, yet failures often arise not from individual tool calls but from how multiple tools are organized and executed together. Existing approaches tightly couple tool execution with stepwise language reasoning or explicit planning, leading to brittle behavior and high execution overhead. To overcome these limitations, we revisit tool invocation from the perspective of tool orchestration. Our key insight is that effective orchestration does not require precise dependency graphs or fine-grained planning. Instead, a coarse-grained layer structure suffices to provide global guidance, while execution-time errors can be corrected locally. Specifically, we model tool orchestration as learning a layered execution structure that captures high-level tool dependencies, inducing layer-wise execution through context constraints. To handle execution-time failures, we introduce a schema-aware reflective correction mechanism that detects and repairs errors locally. This design confines errors to individual tool calls and avoids re-planning entire execution trajectories. This structured execution paradigm enables a lightweight and reusable orchestration component for agentic systems. Experimental results show that our approach achieves robust tool execution while reducing execution complexity and overhead. Code will be made publicly available.
• Abstract（参考訳）: ツール呼び出しはエージェントシステムの中核的な機能ですが、障害は個々のツールコールではなく、複数のツールの編成と実行方法から生じます。 既存のアプローチは、ステップワイズ言語推論や明示的な計画とツール実行を密に結合することで、不安定な振る舞いと高い実行オーバーヘッドにつながる。 これらの制限を克服するため、ツールオーケストレーションの観点からツール呼び出しを再考する。 私たちの重要な洞察は、効果的なオーケストレーションは、正確な依存性グラフやきめ細かい計画を必要としないということです。 代わりに、粗い粒度の層構造がグローバルなガイダンスを提供するのに十分であり、実行時のエラーをローカルに修正することができる。 具体的には、高レベルのツール依存関係をキャプチャする階層化された実行構造を学習し、コンテキスト制約を通じて階層的な実行を誘導するツールオーケストレーションをモデル化する。 実行時の障害に対処するために、ローカルでエラーを検出し、修復するスキーマ対応の反射補正機構を導入する。 この設計では、エラーを個々のツールコールに限定し、実行軌跡全体の再計画を避ける。 この構造化された実行パラダイムは、エージェントシステムのための軽量で再利用可能なオーケストレーションコンポーネントを可能にする。 実験結果から,本手法は実行の複雑さとオーバーヘッドを低減しつつ,堅牢なツール実行を実現することが示された。 コードは公開されます。

関連論文リスト

• ToolSelf: Unifying Task Execution and Self-Reconfiguration via Tool-Driven Intrinsic Adaptation [60.25542764389203]
  LLM(Large Language Models)を利用したエージェントシステムは、複雑で長期のタスクに対処する上で、顕著な可能性を示している。 既存のアプローチでは、手動のオーケストレーションやランタイムベースのパッチを頼りにしており、一般化の貧弱さと最適化の断片化に悩まされることが多い。 ツール駆動の自己修正を可能にする新しいパラダイムであるToolSelfを提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:27:18Z)
• PerfGuard: A Performance-Aware Agent for Visual Content Generation [53.591105729011595]
  PerfGuardは、ビジュアルコンテンツ生成のためのパフォーマンス対応のエージェントフレームワークである。 ツールのパフォーマンス境界をタスク計画とスケジューリングに統合する。 ツール選択の正確性、実行の信頼性、ユーザの意図との整合性にメリットがあります。
  論文  参考訳（メタデータ） (2026-01-30T05:12:19Z)
• Failure Makes the Agent Stronger: Enhancing Accuracy through Structured Reflection for Reliable Tool Interactions [10.598440138966028]
  現在の自己回帰のプラクティスは、プロンプトや一方的な推論に依存しています。 提案する構造的リフレクションは, エラーから修復までの経路を明示的で制御可能な, 訓練可能な動作に変換する。 BFCL v3とTool-Reflection-Benchの実験では、マルチターンツールコールの成功とエラー回復、冗長呼び出しの削減が大幅に向上した。
  論文  参考訳（メタデータ） (2025-09-23T09:35:49Z)
• NaviAgent: Bilevel Planning on Tool Navigation Graph for Large-Scale Orchestration [13.925896302382043]
  大規模言語モデル(LLM)は、最近、外部ツールを呼び出すことによって関数呼び出しエージェントとして機能する機能を示した。 そこで我々は,タスクプランニングをツール実行からツールエコシステムのグラフベースモデリングを通じて分離するNaviAgentを提案する。 実験によると、NaviAgentはモデルとタスク間で最高のタスク成功率を達成し、TWMNを統合することで、複雑なタスクで最大17ポイントパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2025-06-24T10:39:07Z)
• ToolCoder: A Systematic Code-Empowered Tool Learning Framework for Large Language Models [81.12673534903979]
  ツール学習は、大規模な言語モデル(LLM)にとって、外部ツールとのインタラクションを通じて、複雑な現実世界のタスクを解決する重要な機能として登場した。 本稿では,ツール学習をコード生成タスクとして再編成する新しいフレームワークであるToolCoderを提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:42:28Z)
• 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)

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。