PLAY2PROMPT：通过工具玩耍实现 LLM 代理的零样本工具指令优化
计算与语言
2025-06-13 v2 人工智能
机器学习
摘要
大语言模型（LLMs）正在与专用外部工具集成，但许多任务需要在最小或噪声文档的情况下进行零样本工具使用。现有方法依赖手动重写或标注数据进行验证，难以适用于真正的零样本场景。为此，我们提出 PLAY2PROMPT，一个自动化框架，通过系统性“玩耍”每个工具来探索其输入输出行为。通过这一迭代的试错过程，PLAY2PROMPT 在没有任何标注数据的情况下细化工具文档并生成使用示例。这些示例不仅指导 LLM 推理，也作为验证进一步增强工具利用的手段。大量实验表明，PLAY2PROMPT 在真实任务上显著提升了开放和封闭模型的零样本工具性能，提供了可扩展且高效的解决方案用于特定领域的工具集成。
引用
@article{arxiv.2503.14432,
title = {PLAY2PROMPT: Zero-shot Tool Instruction Optimization for LLM Agents via Tool Play},
author = {Wei Fang and Yang Zhang and Kaizhi Qian and James Glass and Yada Zhu},
journal= {arXiv preprint arXiv:2503.14432},
year = {2025}
}
备注
ACL 2025 Long Paper (Findings)