机器学习工具 (MLAT)：将统计机器学习模型集成到LLM代理工作流程中的框架
机器学习
2026-02-17 v1 人工智能
摘要
我们提出机器学习工具 (MLAT)，一种将预训练统计机器学习模型作为LLM代理工作流程中可调用工具的设计模式。这使得协调器代理在需要时调用定量预测，并在上下文中对其输出进行推理。不同于将ML推理视为静态预处理步骤的传统管道，MLAT将模型作为与Web搜索、数据库查询和API并列的第一类工具，使LLM能够基于对话情境决定何时以及如何使用它。为验证MLAT，我们提出PitchCraft，一个将发现电话录音转化为带有ML预测定价的专业提案的试点生产系统。系统使用两个代理：一个研究代理通过并行工具调用收集前景情报，一个草拟代理调用作为工具调用的XGBoost定价模型，并通过结构化输出生成完整提案。该定价模型在70个由真实和人工验证的合成数据组合训练，实现 held-out 数据上的 R^2 = 0.807，平均绝对误差为3688美元。该系统将提案生成时间从多个小时缩短为10分钟以下。我们描述MLAT框架、结构化输出架构、在极端数据稀缺情况下的训练方法，以及 demonstrating 有意义的学习关系的灵敏度分析。MLAT可推广到需要结合量化估计与上下文推理的领域。
引用
@article{arxiv.2602.14295,
title = {Machine Learning as a Tool (MLAT): A Framework for Integrating Statistical ML Models as Callable Tools within LLM Agent Workflows},
author = {Edwin Chen and Zulekha Bibi},
journal= {arXiv preprint arXiv:2602.14295},
year = {2026}
}
备注
Submitted to the Google Gemini 3 Hackathon