論文の概要: DADL: A Declarative Description Language for Enterprise Tool Libraries in LLM Agent Systems

• arxiv url: http://arxiv.org/abs/2605.05247v1
• Date: Mon, 04 May 2026 23:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.309656
• Title: DADL: A Declarative Description Language for Enterprise Tool Libraries in LLM Agent Systems
• Title（参考訳）: DADL: LLMエージェントシステムにおけるエンタープライズツールライブラリの宣言的記述言語
• Authors: Axel Dunkel,
• Abstract要約: DADLは、REST APIのエンドポイント、認証、レスポンスシェーピング、アクセス分類を1つの宣言ファイルで記述したYAMLフォーマットである。 すべてのツールがそのランタイムを共有しているため、認証と認証は中央管理され、カタログはサイズに依存しない固定サイズのCode Modeインターフェースを通じてLLMに到達します。 バージョン管理され、監査可能なAPIコレクションで、任意のチームが1つの認証と認証境界を通じて拡張、共有、消費することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The Model Context Protocol (MCP) is the standard interface between large language model (LLM) agents and external tools. At organizational scale, however, it exposes two structural problems. First, every API integration is shipped as a dedicated server process with its own deployment, dependency tree, and credential handling; recent empirical work shows the overwhelming majority of these servers are thin wrappers around REST APIs. Second, the per-tool registration model causes context window consumption to grow linearly with catalog size, forcing real deployments to expose only a small fraction of the APIs an organization actually uses. We present DADL (Dunkel API Description Language), a YAML format describing a REST API's endpoints, authentication, pagination, response shaping, and access classification in a single declarative file. A DADL file is interpreted by an execution layer at runtime; no per-API server process is deployed and no integration code is generated, though the runtime is itself a server. Because all tools share that runtime, credentials and authorization are managed centrally, and the catalog reaches the LLM through a fixed-size Code Mode interface independent of size. The result is an Enterprise Tool Library: a versioned, auditable collection of API integrations any team can extend, share, and consume through one authentication and authorization boundary. The DADL v0.1 specification is released under CC BY-SA 4.0, and a public registry contains 1,833 tool definitions across 20 services. On this catalog, Code Mode reduces the context cost of tool advertisement from approximately 142,000 tokens to approximately 1,000, a 142x reduction; the per-call cost of search and execute invocations is additional and depends on the task.
• Abstract（参考訳）: Model Context Protocol (MCP) は、大規模言語モデル(LLM)エージェントと外部ツールの標準インターフェースである。 しかし、組織規模では、2つの構造的な問題を露呈する。 まず、すべてのAPI統合は、独自のデプロイメント、依存性ツリー、クレデンシャルハンドリングを備えた専用サーバプロセスとして出荷されます。 第二に、ツール単位の登録モデルでは、コンテキストウィンドウの消費がカタログのサイズとともに線形に増加するため、実際のデプロイメントでは、組織が実際に使用しているAPIのごく一部しか公開せざるを得ない。 DADL(Dunkel API Description Language)は、REST APIのエンドポイント、認証、ページネーション、レスポンスシェーピング、アクセス分類を記述したYAMLフォーマットである。 DADLファイルは実行時に実行層によって解釈される。API単位のサーバプロセスはデプロイされず、統合コードも生成されないが、ランタイム自体はサーバである。 すべてのツールがそのランタイムを共有しているため、認証と認証は中央管理され、カタログはサイズに依存しない固定サイズのCode Modeインターフェースを通じてLLMに到達します。 バージョン管理され、監査可能なAPI統合のコレクションで、任意のチームが1つの認証と認証境界を通じて拡張、共有、消費することができる。 DADL v0.1仕様はCC BY-SA 4.0の下でリリースされ、パブリックレジストリには20サービスにわたる1,833のツール定義が含まれている。 このカタログでは、Code Modeはツール広告のコンテキストコストを約142,000トークンから約1,000トークンに削減し、142倍に削減する。

関連論文リスト

• LAPIS: Lightweight API Specification for Intelligent Systems [0.0]
  大規模言語モデル(LLM)は、コード生成、自律エージェントインタラクション、APIアシスト推論のいずれにおいても、API仕様のコンシューマとしての役割を担っている。 LAPISは、APIトークンの使用に必要なセマンティック情報を保存するLLM消費に最適化されたドメイン固有フォーマットである。
  論文  参考訳（メタデータ） (2026-02-20T15:22:13Z)
• OASBuilder: Generating OpenAPI Specifications from Online API Documentation with Large Language Models [10.54692787937075]
  OASBuilderは、長く多様なAPIドキュメントページを一貫性のあるマシン可読性のAPI仕様に変換するフレームワークである。 OASBuilderはエンタープライズ環境でうまく実装されており、何千時間もの手作業が省かれています。
  論文  参考訳（メタデータ） (2025-07-07T14:36:13Z)
• LRASGen: LLM-based RESTful API Specification Generation [3.420331911153286]
  我々は,Large Language Models (LLM) を用いたAPIの OpenAPI Specification (OAS) 仕様を生成するための新しいアプローチを提案する。 既存のツールやメソッドと比較して、LRASGenは実装が不完全である場合でもOASを生成することができる(部分的なコード、アノテーション/コメントなど)。 LRASGenで作成された仕様は、開発者が提供する仕様よりも平均48.85%の欠落したエンティティをカバーしている。
  論文  参考訳（メタデータ） (2025-04-23T15:52:50Z)
• A Framework for Testing and Adapting REST APIs as LLM Tools [11.757827071584737]
  大きな言語モデル(LLM)は、外部ツールで複雑なタスクを実行する自律エージェントを構築するために、ますます使われています。 現在のベンチマークではこれらの課題を見落としており、エージェント駆動自動化のためのAPI準備性の評価のギャップが残っている。 LLMエージェント用のPythonツールとしてラップされたエンタープライズAPIを体系的に評価するテストフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T02:52:08Z)
• LlamaRestTest: Effective REST API Testing with Small Language Models [50.058600784556816]
  LlamaRestTestは、2つのLLM(Large Language Models)を使って現実的なテストインプットを生成する新しいアプローチである。 私たちは、GPTを使った仕様強化ツールであるRESTGPTなど、最先端のREST APIテストツールに対して、これを評価しています。 私たちの研究は、REST APIテストにおいて、小さな言語モデルは、大きな言語モデルと同様に、あるいは、より良く機能することができることを示しています。
  論文  参考訳（メタデータ） (2025-01-15T05:51:20Z)
• A Multi-Agent Approach for REST API Testing with Semantic Graphs and LLM-Driven Inputs [46.65963514391019]
  私たちは、REST APIテストに依存性組み込みのマルチエージェントアプローチを採用する最初のブラックボックスツールであるAutoRestTestを紹介します。 このアプローチでは、REST APIテストを分離可能な問題として扱い、4人のエージェントがAPI探索を最適化するために協力します。 12の現実世界のRESTサービス上でのAutoRestTestの評価は、主要な4つのブラックボックスREST APIテストツールよりも優れています。
  論文  参考訳（メタデータ） (2024-11-11T16:20:27Z)
• SoAy: A Solution-based LLM API-using Methodology for Academic Information Seeking [59.59923482238048]
  SoAyは学術情報検索のためのソリューションベースのLLM API利用方法論である。 ソリューションが事前に構築されたAPI呼び出しシーケンスである場合、推論メソッドとしてソリューションを備えたコードを使用する。 その結果、最先端のLLM APIベースのベースラインと比較して34.58-75.99%のパフォーマンス改善が見られた。
  論文  参考訳（メタデータ） (2024-05-24T02:44:14Z)
• SpeCrawler: Generating OpenAPI Specifications from API Documentation Using Large Language Models [8.372941103284774]
  SpeCrawlerは、さまざまなAPIドキュメントからOpenAPI仕様を生成する包括的なシステムである。 本稿では,実証的証拠とケーススタディに支えられたSpeCrawlerの方法論について考察する。
  論文  参考訳（メタデータ） (2024-02-18T15:33:24Z)
• ModelScope-Agent: Building Your Customizable Agent System with Open-source Large Language Models [74.64651681052628]
  本稿では,オープンソースのLCMをコントローラとする実世界のアプリケーションのためのカスタマイズ可能なエージェントフレームワークであるModelScope-Agentを紹介する。 ユーザフレンドリーなシステムライブラリを提供し、カスタマイズ可能なエンジン設計により、複数のオープンソースLLMでモデルトレーニングをサポートする。 ツール使用データ収集、ツール検索、ツール登録、メモリ制御、カスタマイズされたモデルトレーニング、評価にまたがる包括的なフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-09-02T16:50:30Z)
• 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)

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。