Fugu-MT 論文翻訳(概要): DOCSCHISEL: Adaptive Tool Documentation Optimization Framework for LLM Agents

論文の概要: DOCSCHISEL: Adaptive Tool Documentation Optimization Framework for LLM Agents

arxiv url: http://arxiv.org/abs/2608.10037v1
Date: Mon, 10 Aug 2026 08:05:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.763439
Title: DOCSCHISEL: Adaptive Tool Documentation Optimization Framework for LLM Agents
Title（参考訳）: DOCSCHISEL: LLMエージェントのための適応ツールドキュメンテーション最適化フレームワーク
Authors: You Lu, Kun Zhang, Bihuan Chen, Xin Peng,
Abstract要約: 大規模言語モデル(LLM)は、複雑な現実世界のタスクを達成するために、ますます外部ツールに依存している。既存の研究は主にLLMエージェントのツール使用能力の改善に焦点を合わせ、ツールドキュメントを固定入力として扱う。 LLMエージェントのための適応ツールドキュメント最適化フレームワークであるDocsChiselを提案する。
参考スコア（独自算出の注目度）: 12.030010646565783
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language models (LLMs) increasingly rely on external tools to accomplish complex real-world tasks, making tool documentation a critical grounding resource for LLM agents. Existing studies mainly focus on improving the tool-use capabilities of LLM agents, while largely treating tool documentation as a fixed input. Although several recent works attempt to optimize tool documentation through rewriting or compression, little is known about how the information contained in tool documentation affects agent performance across different settings. To bridge this gap, we conduct a large-scale empirical study on tool documentation for LLM agents. Our study reveals substantial heterogeneity in the information fields provided by existing tool documentation. Moreover, the effectiveness of different information fields is highly dependent on the task domain, LLM backbone, and agent paradigm, indicating that no fixed tool documentation can consistently generalize across diverse agent settings. Motivated by these findings, we propose DocsChisel, an adaptive tool documentation optimization framework for LLM agents. DocsChisel analyzes failed execution traces of a target LLM agent to identify documentation-related issues, and iteratively optimizes tool documentation by adding, removing, and refining information fields for each tool. We evaluate DocsChisel against two state-of-the-art baselines, i.e., EasyTool and DRAFT. Experimental results show that DocsChisel improves the task success rate of LLM agents by 95.89% over the original tool documentation and by 75.15%, on average, over existing baselines, while incurring limited optimization time and token overhead
Abstract（参考訳）: 大規模言語モデル(LLM)は、複雑な現実世界のタスクを達成するために、外部ツールにますます依存しており、ツールドキュメントはLLMエージェントにとって重要な基盤リソースとなっている。既存の研究は主にLLMエージェントのツール使用能力の改善に焦点を合わせ、ツールドキュメントを固定入力として扱う。最近のいくつかの作業では、書き換えや圧縮を通じてツールドキュメントを最適化しようとしているが、ツールドキュメントに含まれる情報が、さまざまな設定におけるエージェントのパフォーマンスに与える影響についてはほとんど分かっていない。このギャップを埋めるために、我々はLLMエージェントのツール文書に関する大規模な実証的研究を行った。本研究は,既存のツールドキュメンテーションが提供する情報分野における相当な異質性を明らかにする。さらに、異なる情報フィールドの有効性はタスクドメイン、LLMバックボーン、エージェントパラダイムに大きく依存しており、固定ツールドキュメンテーションがさまざまなエージェント設定で一貫して一般化できないことを示している。そこで本研究では,LLMエージェントのための適応ツールドキュメンテーション最適化フレームワークであるDocsChiselを提案する。 DocsChiselは、ターゲットのLLMエージェントの実行トレースを解析して、ドキュメントに関連する問題を特定し、ツール毎に情報フィールドを追加、削除、精製することで、ツールドキュメントを反復的に最適化する。我々はDocsChiselを2つの最先端ベースライン、すなわちEasyToolとDRAFTに対して評価する。実験結果から,DocsChiselは従来のツールドキュメンテーションよりも95.89%,既存のベースラインより平均75.15%向上し,最適化時間とトークンオーバーヘッドが制限された。

論文の概要: DOCSCHISEL: Adaptive Tool Documentation Optimization Framework for LLM Agents

関連論文リスト