我们需要工具吗？揭示LLM代理中的工具使用税
人工智能
2026-05-04 v1
摘要
工具增强推理已成为LLM代理的一个热门方向，人们广泛认为这会提高推理能力和可靠性。然而，我们展示了这一共识并不总是成立：在存在语义干扰因子时，工具增强推理并不一定优于原生链式思考。为解释这一性能差距，我们提出了分因子干预框架，以隔离提示格式的成本、工具调用协议的开销以及实际执行工具带来的收益。我们的分析揭示了一个关键权衡：在语义噪声下，工具的收益往往难以抵消由工具调用协议本身引入的"工具使用税"。为解决此问题，我们引入了G-STEP，这是一种轻量级的推理时门控，以缓解协议引起的错误。虽然这实现了部分恢复，但我们的发现表明，更实质性的改进仍需要加强模型的内在推理能力和工具交互能力。
引用
@article{arxiv.2605.00136,
title = {Are Tools All We Need? Unveiling the Tool-Use Tax in LLM Agents},
author = {Kaituo Zhang and Zhen Xiong and Mingyu Zhong and Zhimeng Jiang and Zhouyuan Yuan and Zhecheng Li and Ying Lin},
journal= {arXiv preprint arXiv:2605.00136},
year = {2026}
}