工具编排的语义上下文

本文表明，语义上下文（Semantic Context, SC）通过利用工具信息的描述性特征，是稳健工具编排的基础组成部分。我们的贡献有三方面：其一，我们提供理论基础，采用情境臂带（contextual bandits）框架，引入 SC-LinUCB，并证明其实现更低的后悔（regret）并在动态动作空间中具有良好适应性；其二，我们针对大语言模型（LLM）进行平行实证验证，表明 SC 对静态（高效学习）和非平稳（稳健适应）情境下的情境学习至关重要；其三，我们提出 FiReAct 管道，并在拥有超过 1 万个工具的基准测试上演示，SC 基于检索的机制使 LLM 能够有效编排大规模动作空间。这些发现为构建更高效、更适应性强且更可扩展的编排智能体提供了全面指南。