論文の概要: AT-AT: Automatic Tool Optimization from Agent Traces

• arxiv url: http://arxiv.org/abs/2610.34679v1
• Date: Mon, 26 Oct 2026 01:18:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.664776
• Title: AT-AT: Automatic Tool Optimization from Agent Traces
• Title（参考訳）: AT-AT:エージェントトレースの自動ツール最適化
• Abstract要約: AT-AT(Automatic Tool Optimization from Agent Traces)は、エージェントを固定しながら過去のエージェントの実行から共有オフライン結果を改善するエージェントツールである。 2ドルで検証されたAT-ATは、強力なプロンプトとツール最適化のベースラインよりも低コストで、AirlineとTelecomドメインのタスク完了率が最も高い。
• 参考スコア（独自算出の注目度）: 29.6028884807933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efforts to improve LLM-based agents typically focus on modifying the agent itself, yet success also depends on the environment in which an agent acts. Tools mediate this interaction: a tool's description shapes how an agent calls it, and its implementation determines the results and errors the agent receives afterwards. Many tools, such as APIs and MCP servers, are shared by many agents and maintained by providers who cannot change those agents. We introduce AT-AT (Automatic Tool Optimization from Agent Traces), an agentic tool optimizer that improves a shared toolset offline from historical agent executions while holding the agents fixed. A lightweight coding agent reads agent trajectories and their evaluation results, and selectively edits tool descriptions and, when permitted, implementations. On $τ^2$-bench-verified, AT-AT achieves the highest task completion rates in the Airline and Telecom domains at lower cost than strong prompt- and tool-optimizer baselines, and its Telecom gain is statistically significant under paired permutation tests. Optimizing the tools within a coding agent harness also improves held-out performance on TerminalBench-2 and TBLite. When applied to three production MCP servers at a large enterprise, AT-AT lowered cost or tool error rates on every server and increased held-out task passes on one. By turning accumulated execution traces into updates to shared tool environments, AT-AT provides a path toward continual improvement of agent systems through environment-side learning.
• Abstract（参考訳）: LLMベースのエージェントを改善する努力は、通常、エージェント自体の変更に焦点を当てるが、成功はエージェントが作用する環境にも依存する。 このインタラクションを仲介するツール: ツールの説明は、エージェントの呼び出し方法を形成し、その実装は、エージェントがその後受信した結果とエラーを決定する。 APIやMPPサーバといった多くのツールは、多くのエージェントによって共有され、それらのエージェントを変更することができないプロバイダによってメンテナンスされる。 我々はエージェントを固定しながらエージェントの実行からオフラインで共有ツールセットを改善するエージェントツールオプティマイザであるAT-AT(Automatic Tool Optimization from Agent Traces)を紹介する。 軽量コーディングエージェントは、エージェントトラジェクトリとその評価結果を読み出し、ツール記述及び許容された実装を選択的に編集する。 τ^2$-bench-verifiedでは、AT-ATは強いプロンプトとツール最適化のベースラインよりも低いコストで、AirlineとTelecomドメインのタスク完了率を達成する。 コーディングエージェントのハーネス内でツールを最適化することで、 TerminalBench-2 と TBLite のホールドアウト性能も向上する。 大企業の3つのプロダクションMPPサーバに適用すると、AT-ATはすべてのサーバのコストやツールエラー率を削減し、ホールドアウトタスクが1つに増加した。 蓄積された実行トレースを共有ツール環境のアップデートに変換することで、AT-ATは環境サイドの学習を通じてエージェントシステムの継続的な改善に向けた道筋を提供する。

関連論文リスト

• How are AI agents used? Evidence from 177,000 MCP tools [0.0]
  公開モデルコンテキストプロトコル(MCP)サーバレポジトリを監視することにより,11/2024から02/2026までの177,436のAIエージェントツールを評価した。 ソフトウェア開発はすべてのエージェントツールの67%、MSPサーバの90%を占める。 ほとんどのアクションツールはファイルの編集のような中途半端なタスクをサポートするが、財務取引のような高額なタスクのためのアクションツールもある。
  論文  参考訳（メタデータ） (2026-03-25T00:25:49Z)
• AgentStepper: Interactive Debugging of Software Development Agents [14.265317773238529]
  本稿では,ソフトウェアエンジニアリングエージェントのための対話型デバッガであるAgentStepperを紹介する。 AgentStepperは、LLM、エージェントプログラム、ツール間の構造化された会話としてトラジェクトリを表す。 ブレークポイント、ステップワイズ実行、プロンプトとツール呼び出しのライブ編集、中間リポジトリレベルのコード変更のキャプチャと表示をサポートする。
  論文  参考訳（メタデータ） (2026-02-06T10:44:09Z)
• AgenTRIM: Tool Risk Mitigation for Agentic AI [5.4672006013914975]
  ツール駆動型エージェントリスクの検出と緩和のためのフレームワークであるAgenTRIMを紹介する。 AgenTRIMは、これらのリスクに相補的なオフラインおよびオンラインフェーズを通じて対処する。 AgenTRIMは、高いタスク性能を維持しながら、攻撃成功を大幅に削減する。
  論文  参考訳（メタデータ） (2026-01-18T15:10:18Z)
• Dynamic System Instructions and Tool Exposure for Efficient Agentic LLMs [1.2691047660244335]
  大きな言語モデル(LLM)エージェントは、長いシステム命令と大きなツールカタログを毎回繰り返しながら、多くのステップで実行されることが多い。 Instruction-Tool Retrieval (ITR)は,段階ごとに最小限のシステムプロンプトフラグメントと最小限のツールサブセットを検索するRAG変異体である。 ITRはステップ単位のコンテキストトークンを95%削減し、適切なツールルーティングを32%改善し、エンドツーエンドのエピソードコストをモノリシックベースラインに対して70%削減する。
  論文  参考訳（メタデータ） (2025-12-01T06:43:43Z)
• Tool-to-Agent Retrieval: Bridging Tools and Agents for Scalable LLM Multi-Agent Systems [1.2092584191043323]
  ツールと親エージェントの両方を共有ベクトル空間に埋め込む統合フレームワークであるTool-to-Agent Retrievalを紹介する。 ツールの機能を明示的に表現し,メタデータをエージェントレベルにトラバースすることで,ツールからエージェントレベルの詳細な検索が可能になる。
  論文  参考訳（メタデータ） (2025-11-03T18:58:28Z)
• SMART: Self-Aware Agent for Tool Overuse Mitigation [58.748554080273585]
  現在のLarge Language Model (LLM) エージェントは、強力な推論とツールの使用能力を示すが、しばしば自己認識に欠ける。 この不均衡はツール・オーバーユースにつながり、モデルはパラメトリックな知識を持つタスクに対して、不要に外部ツールに依存する。 SMART(Strategic Model-Aware Reasoning with Tools)は、エージェントの自己認識を高め、タスクハンドリングを最適化し、ツールの過剰使用を減らすパラダイムである。
  論文  参考訳（メタデータ） (2025-02-17T04:50:37Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)

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。