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
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。

関連論文リスト

Tools are under-documented: Simple Document Expansion Boosts Tool Retrieval [36.93384080571354]
大規模言語モデル(LLM)は、最近、ツールの使用において強力な能力を示しているが、ツール検索の進歩は、不完全で異質なツールドキュメントによって妨げられている。我々は、より効果的なツール検索を可能にするために、構造化されたフィールドでツールドキュメントを体系的に強化する新しいベンチマークとフレームワークであるTool-DEを紹介する。ツール検索に適した2つのモデルを開発する。ツールエンベッド(Tool-Embed)とツールランク(Tool-Rank)である。
論文参考訳（メタデータ） (2025-10-26T13:17:01Z)
PTR: Precision-Driven Tool Recommendation for Large Language Models [43.53494041932615]
大規模言語モデル(LLM)のためのPTR(Precision-driven Tool Recommendation)アプローチを提案する。 PTRは、過去のツールバンドルの利用を利用して、初期的かつ簡潔なツールセットをキャプチャし、ツールマッチングを実行することで、ツールセットを動的に調整する。 LLMのツールレコメンデーションの有効性を評価するために,新しいデータセットRecToolsとメトリクスTRACCを提案する。
論文参考訳（メタデータ） (2024-11-14T17:33:36Z)
From Exploration to Mastery: Enabling LLMs to Master Tools via Self-Driven Interactions [60.733557487886635]
本稿では,大規模言語モデルと外部ツールとの包括的ギャップを埋めることに焦点を当てる。動的精錬ツールの文書化を目的とした新しいフレームワーク DRAFT を提案する。この方法論は、3つの異なる学習フェーズからなる革新的な試行錯誤アプローチに基づいている。
論文参考訳（メタデータ） (2024-10-10T17:58:44Z)
AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
論文参考訳（メタデータ） (2024-06-17T04:20:02Z)
Tool Learning in the Wild: Empowering Language Models as Automatic Tool Agents [56.822238860147024]
大規模な言語モデルを外部ツールで拡張することは、彼らのユーティリティを拡張するための有望なアプローチとして現れました。以前のメソッドは、ツールドキュメントを手動で解析し、コンテキスト内デモを作成し、ツールをLLMがステップバイステップの推論で使用する構造化フォーマットに変換する。 LLMがツール使用ワークフローを自動化できるフレームワークであるAutoToolsを提案する。
論文参考訳（メタデータ） (2024-05-26T11:40:58Z)
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)
MetaTool Benchmark for Large Language Models: Deciding Whether to Use Tools and Which to Use [79.87054552116443]
大規模言語モデル(LLM)は、その印象的な自然言語処理(NLP)能力のために大きな注目を集めている。このベンチマークは、LLMがツールの使用意識を持ち、ツールを正しく選択できるかどうかを評価するためのものだ。 8つの人気のあるLCMを巻き込んだ実験を行い、その大半は依然として効果的にツールを選択するのに苦労していることがわかった。
論文参考訳（メタデータ） (2023-10-04T19:39:26Z)

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。