ChemHTS：用于提高化学代理效能的分层工具堆叠方法
计算工程、金融与科学
2025-02-21 v1
摘要
大型语言模型（LLM）在科学研究中展现出巨大潜力，尤其是在分子设计、反应预测和性质估计等化学相关任务方面。尽管已引入增强型LLM以提升这些领域的推理与计算能力，但现有方法存在工具调用错误且缺乏不同工具之间有效协作，限制了整体性能。为此，我们提出了ChemHTS（Chemical Hierarchical Tool Stacking），一种通过分层堆叠策略优化工具调用路径的新方法。ChemHTS包含两个关键阶段：工具自堆叠热身和多层决策优化，使LLM能够动态细化工具使用方式。我们在四个经典化学任务上评估了ChemHTS，证明其优于强大基线，包括GPT-4o、DeepSeek-R1和化学专用模型（包括ChemDFM）。此外，我们定义了四种不同的工具堆叠行为以提升可解释性，为工具协作有效性提供了洞见。我们的数据集和代码已公开于\url{https://github.com/Chang-pw/ChemHTS}。
引用
@article{arxiv.2502.14327,
title = {ChemHTS: Hierarchical Tool Stacking for Enhancing Chemical Agents},
author = {Zhucong Li and Jin Xiao and Bowei Zhang and Zhijian Zhou and Qianyu He and Fenglei Cao and Jiaqing Liang and Yuan Qi},
journal= {arXiv preprint arXiv:2502.14327},
year = {2025}
}