2024-03-12
分类：日常运维
阅读(158) 评论(0)
```
https://arxiv.org/abs/2402.04253
```
这篇文章介绍了一个名为AnyTool的Agent系统，它旨在通过大规模API调用来解决用户查询。内容概括如下：
1. **API检索器（API Retriever）**：
* AnyTool利用了一个分层结构的API检索器，这个结构分为三个层次：元代理（meta-agent）、类别代理（category agents）和工具代理（tool agents）。
* 元代理负责根据用户查询动态生成类别代理，每个类别代理对应Rapid API中的一个类别，并负责从该类别的工具集合中识别最相关的工具。
* 类别代理进一步创建工具代理，这些代理负责搜索其管理的工具中的API，并将可能解决查询的API添加到API候选池中。
2. **求解器（Solver）**：
* 解求解器的目标是使用生成的API候选池来解决用户的查询。它实现了一个单一代理，利用GPT-4的函数调用能力。
* 解求解器可以采用深度优先搜索决策树（DFSDT）或链式思考（Chain of Thought, CoT）方法来解决查询。
3. **自反思机制（Self-Reflection Mechanism）**：
* 如果初始解决方案未能解决用户查询，AnyTool的自反思机制会重新激活系统，首先激活API检索器，然后是求解器。
* 在API检索器中，自反思机制会识别查询未解决的原因，并根据这些原因重新激活代理，从工具代理到类别代理，最后到元代理。
* 在求解器中，如果求解器决定放弃，它会提供放弃的原因和不相关的API名称。然后，这些API将从候选池中移除，求解器将使用新的提示、更新的API候选池和清理过的历史上下文重新激活。
4. **评估协议（Evaluation Protocol）**：
* 文章还提出了一种新的评估协议，称为AnyToolBench，以更好地反映实际应用场景。这个协议通过手动审查所有查询，只保留那些可以通过API池中的特定API解决的查询。
5. **实验与结果**：
* 实验结果表明，AnyTool在处理各种数据集时的性能优于ToolLLM和GPT-4的变体。例如，在ToolBench上，AnyTool的平均通过率比ToolLLM提高了35.4%。
AnyTool的设计充分利用了GPT-4的函数调用特性，通过分层结构和自反思机制，有效地利用了超过16,000个API来解决用户查询，同时避免了对外部模块的训练需求。
![]()
众生皆苦，唯有自渡！
51工具盒子
