SwissNYF：黑盒设置中基于工具落地的 LLM 智能体
人工智能
2024-02-16 v1 计算与语言
摘要
虽然大型语言模型 (LLM) 在函数调用方面展示了增强的能力，但这些进展主要依赖于访问函数的响应。这种方法对于简单的 API 是实用的，但在面对会对系统产生重大影响的不可逆 API（如数据库删除 API）时面临可扩展性问题。同样，每次 API 调用需要大量时间的过程以及需要前瞻性规划的过程（如自动化动作流水线）也提出了复杂的挑战。此外，经常出现的场景是需要一种通用方法，因为算法缺乏对这些函数的具体实现或使用它们的秘密的直接访问权限。传统的工具规划方法在这些情况下是不够的，迫使需要在黑盒环境中操作。与它们在工具操作中的表现不同，LLM 在黑盒任务（如程序合成）中表现出色。因此，我们利用 LLM 的程序合成能力来规划黑盒设置中的工具使用，确保解决方案在实施前得到验证。我们介绍了 TOPGUN，这是一种巧妙设计的方法，利用程序合成进行黑盒工具规划。伴随着 SwissNYF，这是一个综合套件，集成了用于规划和验证任务的黑盒算法，解决了上述挑战并增强了 LLM 在复杂 API 交互中的多功能性和有效性。SwissNYF 的公开代码可在 https://github.com/iclr-dummy-user/SwissNYF 获取。
引用
@article{arxiv.2402.10051,
title = {SwissNYF: Tool Grounded LLM Agents for Black Box Setting},
author = {Somnath Sendhil Kumar and Dhruv Jain and Eshaan Agarwal and Raunak Pandey},
journal= {arXiv preprint arXiv:2402.10051},
year = {2024}
}