基于逐步经验回忆的大语言模型自引导函数调用
计算与语言
2026-02-11 v3
摘要
函数调用使大语言模型（LLM）能够通过利用工具和API与外部系统交互。当面对多步工具使用时，LLM在工具选择、参数生成和工具链规划方面仍然面临困难。现有方法通常依赖于手动设计特定任务的演示，或从精心策划的库中进行检索。这些方法需要大量的专家努力，并且随着工具多样性和任务难度的增加，提示工程变得越来越复杂和低效。为了应对这些挑战，我们提出了一种自引导方法，即逐步经验回忆（SEER），该方法从一个持续更新的经验池中进行细粒度的逐步检索。SEER不依赖于静态或手动策划的库，而是通过过去的成功轨迹逐步扩充经验池，从而实现经验池的持续扩展和模型性能随时间的提升。在ToolQA基准上的评估显示，SEER在简单问题上平均提高了6.1%，在困难问题上平均提高了4.7%。我们进一步在包含两个真实世界领域的τ-bench上测试了SEER。在Qwen2.5-7B和Qwen2.5-72B模型的支持下，SEER分别展示了7.44%和23.38%的显著准确率提升。
引用
@article{arxiv.2508.15214,
title = {Self-Guided Function Calling in Large Language Models via Stepwise Experience Recall},
author = {Sijia Cui and Aiyao He and Shuai Xu and Hongming Zhang and Yanna Wang and Qingyang Zhang and Yajing Wang and Bo Xu},
journal= {arXiv preprint arXiv:2508.15214},
year = {2026}
}
备注
Accepted to EMNLP 2025