論文の概要: I-PTC: Interactive Programmatic Tool Calling for Stateful Tool-Augmented Agents

• arxiv url: http://arxiv.org/abs/2611.01446v1
• Date: Sun, 01 Nov 2026 02:32:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:19:11.510228
• Title: I-PTC: Interactive Programmatic Tool Calling for Stateful Tool-Augmented Agents
• Title（参考訳）: I-PTC:ステートフルツール拡張エージェントのための対話型プログラムツール
• Abstract要約: プログラムツール呼び出し(PTC)は、ループ、抽象化、構造化計算を通じてこのアイデアをキャプチャする。 既存のPSCアプローチは、ほとんどステートレスであり、中間結果を再利用し、時間とともに適応する能力を制限する。 我々は,ステートフル PTC を実行する対話型フレームワーク I-PTC を提案する。
• 参考スコア（独自算出の注目度）: 30.1057413845782
• License:
• Abstract: Large language models are increasingly capable of writing and executing code, suggesting a natural paradigm for tool-augmented agents: expressing tool use as programs rather than isolated calls. Programmatic tool calling (PTC) captures this idea through loops, batching, abstraction, and structured computation, but existing PTC approaches are largely stateless, limiting their ability to reuse intermediate results and adapt over time. This is problematic for real-world tasks, where tool environments and problem-solving processes are inherently stateful. We therefore present I-PTC, an interactive framework that executes stateful PTC: models issue code snippets that call tools, maintain reusable state, and evolve the tool interface through API corrections. To evaluate the effectiveness of I-PTC and the general PTC setting, we introduce PTC-Bench, a benchmark of long-tail, production-style user requests whose difficulty comes from large initial environments, many dependent API interactions, extended planning, and recovery across follow-ups and transient failures. Experiments on PTC-Bench show that I-PTC improves performance on complex multi-step tasks with large tool sets while substantially reducing token consumption over conventional tool-calling baselines and the original PTC baseline, highlighting stateful programmatic tool calling as a promising direction for scalable tool-augmented agents.
• Abstract（参考訳）: 大規模言語モデルでは、コードの記述と実行がますます可能になっているため、ツール拡張エージェントの自然なパラダイムとして、独立した呼び出しではなく、プログラムとしてツールの使用を表現することが提案されている。 プログラムツール呼び出し(PTC)はループ、バッチ、抽象化、構造化された計算を通じてこのアイデアをキャプチャするが、既存のPTCアプローチは大部分がステートレスであり、中間結果を再利用し、時間とともに適応する能力を制限する。 これは、ツール環境と問題解決プロセスが本質的にステートフルである現実世界のタスクに問題があります。 そこで我々は,ステートフル PTC を実行するインタラクティブなフレームワーク I-PTC を提案する: モデルがツールを呼び出し,再利用可能な状態を維持し,API の修正を通じてツールインターフェースを進化させるコードスニペットを発行する。 I-PTCと一般のPTC設定の有効性を評価するために,大規模な初期環境,多数の依存APIインタラクション,拡張計画,フォローアップと過渡的障害間の回復が困難である,長テールで生産スタイルのユーザ要求のベンチマークであるPTC-Benchを導入する。 PTC-Benchの実験によると、I-PTCは、従来のツールコールベースラインとオリジナルのPTCベースラインのトークン消費を大幅に削減し、拡張性のあるツール拡張エージェントの有望な方向としてステートフルなプログラムツールコールを強調しながら、大規模なツールセットによる複雑なマルチステップタスクのパフォーマンスを向上させる。

関連論文リスト

• ProgAgent: Learning Tool Orchestration through Programmatic Training [29.641803167053638]
  Programmatic Tool Calling (PTC) は実行可能なコードを通じてツールを呼び出し、中間結果をコンテキストに付加するのではなく、実行時変数に格納する。 ProgAgentは、長距離タスクを合成するためのパイプライン、軽量PSCランタイム、および2段階のトレーニングレシピからなる完全なPTCトレーニングスタックである。 ProgAgentは、4つのベンチマークで比較された同等サイズのベースラインよりも高いパスレートを得る。
  論文  参考訳（メタデータ） (2026-10-10T09:57:26Z)
• Learning to Rewrite Tool Descriptions for Reliable LLM-Agent Tool Use [21.666294374943178]
  トレースリッチな設定からトレースフリーなデプロイメントへ監督を移行するカリキュラム学習フレームワークを提案する。 実験では、予期せぬツール、強力なクロスドメインの一般化、そして、候補ツールの数が100を超えるほど堅牢性に一貫した向上が示されている。
  論文  参考訳（メタデータ） (2026-02-23T23:50:24Z)
• PEARL: Plan Exploration and Adaptive Reinforcement Learning for Multihop Tool Use [10.58323565531902]
  大規模な言語モデルは、外部ツールには大きな可能性を秘めていますが、複雑なマルチターンツールの実行において、大きな課題に直面しています。 我々は、高度なツール使用のためのLSM計画と実行を強化する新しいフレームワークであるPEARLを提案する。 ToolHopとT-Evalベンチマークの実験では、PEARLは既存の手法よりも大幅に優れており、ToolHopで新しい最先端の成功率である textbf56.5% を達成し、低呼び出しエラー率を維持している。
  論文  参考訳（メタデータ） (2026-01-28T09:49:43Z)
• AdaReasoner: Dynamic Tool Orchestration for Iterative Visual Reasoning [66.24374176797075]
  textbfAdaReasonerは、ツール固有の、あるいは明示的な教師付き行動ではなく、一般的な推論スキルとしてツールの使用を学ぶマルチモーダルモデルのファミリーである。 AdaReasonerは、(i)スケーラブルなデータキュレーションパイプラインによって、長期にわたる多段階のツールインタラクションにモデルを公開し、(ii)ツール-GRPO、(ii)ツールの選択とシークエンシングをエンドツーエンドの成功に基づいて優先順位付けする強化学習アルゴリズム、(iii)ツールの使用を動的に規制する適応学習メカニズムによって実現されている。
  論文  参考訳（メタデータ） (2026-01-26T16:04:43Z)
• SIT-Graph: State Integrated Tool Graph for Multi-Turn Agents [35.85800795225018]
  State Integrated Tool Graph (SIT-Graph)は、エピソードとプロシージャメモリを統合した人間の意思決定にインスパイアされている。 推論時に、SIT-Graphは、エピソード的リコールと手続き的実行の間の人間のようなバランスを可能にする。 複数のステートフルなマルチターンツール使用ベンチマークによる実験は、SIT-Graphが強いメモリベースとグラフベースのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-12-08T08:27:24Z)
• DeepAgent: A General Reasoning Agent with Scalable Toolsets [111.6384541877723]
  DeepAgentは、自律的な思考、ツール発見、アクション実行を実行するエンドツーエンドのディープ推論エージェントである。 長期にわたる相互作用の課題に対処するために,過去の相互作用を構造化エピソード,動作,ツール記憶に圧縮する自律的メモリ折り畳み機構を導入する。 LLMシミュレートされたAPIを活用し、ツール呼び出しトークンにきめ細かいクレジットを割り当てるツールコールアドバンテージ属性を適用した、エンドツーエンドの強化学習戦略であるToolPOを開発した。
  論文  参考訳（メタデータ） (2025-10-24T16:24:01Z)
• Acting Less is Reasoning More! Teaching Model to Act Efficiently [87.28134636548705]
  ツール統合推論は、タスクを解決するために外部ツールを呼び出す機能によって、大きな言語モデルを拡張します。 現在のアプローチは、外部ツールの使用効率や必要性を考慮せずに、最終的な正確性のためにのみ最適化されている。 最小限のツールコールで正確な回答をモデルに提示するフレームワークを提案する。 このアプローチでは,ツールコールを最大68.3%削減し,ツールの生産性を最大215.4%向上すると同時に,同等の回答精度を維持している。
  論文  参考訳（メタデータ） (2025-04-21T05:40:05Z)
• Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger [49.81945268343162]
  我々は,外部ツール利用のための適応型意思決定戦略であるMeCoを提案する。 MeCoは、表現空間内の高レベル認知信号をキャプチャすることで、メタ認知スコアを定量化する。 MeCoは微調整不要で、最小限のコストがかかる。
  論文  参考訳（メタデータ） (2025-02-18T15:45:01Z)

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。