一篇大模型Agent工具使用全面研究综述

把大型语言模型（LLMs）和工具学习结合起来？这件事正在成为AI圈子里一个不容忽视的趋势。如果直接问一个LLM“今天北京的天气怎么样”，大概率会得到一个基于训练数据中过时信息的回答——但如果你让它调用一个天气API，结果就完全不一样了。这背后的范式，就是工具学习（Tool Learning），它正成为解决复杂问题的关键路径。

然而这个领域虽然发展迅猛，文献却散落四处，不够系统，新人想入门往往一头雾水。所以，这篇综述把相关研究从两个维度做了全面梳理：

，以及。

• （1）为什么工具学习是有益的；
• （2）如何实现工具学习，以全面理解LLMs的工具学习。

沿着工具学习的完整工作流，文章梳理出四个关键阶段来展开讨论：任务规划、工具选择、工具调用以及最终的响应生成。

为什么工具学习是有益的？

一个根本性的判断是：给LLMs装上"工具"这个外设，带来的收益是双向的。一方面，工具的引入能

，比如知识获取、专业技能提升、自动化效率以及交互体验的增强。另一方面，工具学习范式本身也能，进而提升可解释性和用户信任，改善系统的整体鲁棒性和适应能力。

具体来说，可以从以下六个方面来看：

知识获取

• LLMs的能力受限于预训练期间"刻进"的知识范围，这些知识是静态的，没法动态更新。
• 通过集成搜索引擎、数据库、知识图谱、天气或地图等外部工具，模型就能实时抓取并整合外部知识，从而给出更准确、更贴合上下文的回答。

专业知识增强

• 尤其在那些需要深度专业技能的领域——复杂数学计算、编程、科学问题求解——纯语言模型经常力不从心。
• 但要是能调用在线计算器、数学工具、Python解释器这类专用工具，LLMs就能真正"算"起来，解方程、做统计、跑代码，专业能力立马提升一个台阶。

自动化和效率

• LLMs本质上只是一个语言处理器，没法自己动手在真实世界里办事儿——比如订会议室、买机票。
• 但只要跟外部工具集成，模型就能自动执行这些任务：日程安排、设置提醒、过滤邮件……实用性和交互效率是本质上的飞跃。

交互增强

• 用户的输入五花八门——文字的、语音的、图片的、甚至不同语种的——LLMs要准确理解这些多样化的查询并不容易。
• 多模态工具和机器翻译工具等，可以帮模型更好地读懂"人话"，优化对话管理和意图识别，让交互更自然。

增强的可解释性和用户信任

• 现在的大模型大多是个"黑箱"，决策过程用户完全看不到，自然缺乏信任。
• 但通过工具学习，模型可以把每一步决策都摊开来讲：先是任务分解、接着挑工具、然后调用并拿到结果、最后合成回答。用户能清楚看到哪一步出了错，信任感也就水到渠成了。

改进的鲁棒性和适应性

• 当前的LLMs对输入很敏感，稍微一点变化就可能生成截然不同的回答，稳定性不够。
• 引入专用工具后，模型就不需要单纯依赖训练数据中的统计模式来"猜"答案了，而是可以借助外部工具获取真实数据来支撑回答，因此对输入扰动的抵抗力和对新环境的适应性都会明显改善。

如何实现工具学习？

说清楚了"为什么要做"，接下来就是"怎么做"。按照工具学习的流水线，可以拆成四个核心环节。

任务规划

这是工具学习的起点。用户扔过来的问题往往不是一个简单的问句，背后可能是多个交织在一起的意图。所以第一步，就是要把这个复杂问题拆成若干可执行的子任务，并搞清楚这些子任务之间的依赖关系和执行顺序。这个环节有两种主要思路：一类是

（比如用CoT、ReACT这类框架引导LLM一步步思考），另一类是（比如Toolformer，通过微调来增强模型对工具使用的意识）。

工具选择

任务拆完了，下一步就是为每个子任务挑一把趁手的"工具"。当系统里的工具数量很少时，直接让LLM自己看工具描述和参数列表来选就行。但一旦工具库膨胀到几百上千个，就需要专门的

（比如TF-IDF、BM25）先快速缩小范围，再让LLM做最终决策。同样，这个环节也分（靠上下文学习、策略性提示）和（在工具学习数据上微调模型参数，比如Toolbench和TRICE）两种路径。

工具调用

选好了工具，接下来就是真正"干活"了。这里的关键是：LLM必须能从用户的自然语言查询中，准确提取出工具要求的参数格式。比如查天气，就要把"今天"变成日期，"北京"变成城市编码。然后把参数发送给工具服务器，拿到返回结果。这个步骤中，

可能通过少量示例或规则来引导；则用LoRA等技术来微调参数，提升参数提取和调用能力（比如GPT4Tools）。

响应生成

这是工具学习流程的收尾阶段。模型需要把工具返回的结果和自己的内部知识整合起来，输出给用户一个完整、准确、有用的回答。但这里有一个现实问题：工具的输出可能很长，而LLM的上下文窗口是有限的。所以研究者们想出了几种应对策略：

（用预定义模板压缩）、（直接砍掉多余部分）、（开发专门的压缩器保留最核心内容）、以及（动态生成函数来提取目标信息）。

工具学习范式

除了具体的步骤，还需要从更高的视角来看：当前的工具学习工作流程，主要可以分为两种范式。

• 一步任务解决
  ：模型拿到问题后，一次性规划出所有需要的子任务、选好工具、调用并生成回答。整个过程没有中间反馈。这种做法的好处是简单直接，缺点是一旦中途出了错或者工具返回了意想不到的结果，模型缺乏调整能力。

• 迭代任务解决
  ：模型不预先做完整计划，而是先做一步，看看工具返回了什么，再根据反馈决定下一步。这种方式更灵活、更动态，模型能边干边学，响应反馈做调整，应对复杂问题的能力更强。

这里的关键差异就体现在"规划有无反馈"上——一步范式是规划无反馈，迭代范式是规划有反馈。后者的优势在面对真实世界的不确定时尤为明显。

工具学习评估基准与指标

说来说去，最终还是要落到"怎么评价"上。针对前面提到的四个阶段，评估指标各有侧重：

• 任务规划评估
  ：看模型能否准确判断"什么时候该用工具"，以及规划出来的任务解决路径是否有效（常用通过率、人类评估、与最优方案对比的精确度）。

• 工具选择评估
  ：主要看召回率——推荐的工具列表里有多少是确确实实需要的；另外还有NDCG（排序质量）和COMP（选择集合的完整性）。

• 工具调用评估
  ：检查调用的参数是否符合工具文档的规定，调用是否成功。

• 响应生成评估
  ：最终要回归到任务本身——生成的回答质量如何？常用ROUGE-L、精确匹配、F1分数等指标来衡量。