研究质疑工具图记忆作用：增益多来自额外计算
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载被质疑的记忆组件
多轮工具调用是 LLM 智能体完成复杂任务的常见方式，此前有工作提出用工具图记忆把过往经验存成工具之间的转移关系，用来指导后续的工具选择。这篇论文要回答的问题是：这个组件是否稳定地改善智能体的工具使用，还是反而拖累它。作者没有停留在单一设置上，而是在九个模型和两个基准上做了评测，结论指向后者——工具图记忆相对基线很少出现显著提升。
增益来自算力而非记忆
论文给出的关键观察是成本与收益的错配：即便某些设置下出现了增益，其代价是 LLM 调用次数超过两倍。更值得注意的是对照实验的结果——记忆给出的引导经常是错的，而把引导换成随机的、或者干脆不给引导，大部分增益依然保留。这意味着提升并非来自记忆内容本身，而是来自多出来的那部分计算。这一发现直接动摇了「工具图记忆提供有效先验」的假设。
提示正确也仍会失败
论文还检查了失败模式：即使系统已经正确给出了下一个应当调用的工具，任务仍然会失败，其中一种表现是不做任何工具调用就直接放弃。这说明瓶颈不只在工具选择这一环，把正确的下一步工具当作规定强加给模型，并不能保证任务推进。对做智能体工程的读者来说，这提示评测与调试需要区分「选错工具」和「拿到正确工具却不用」两类问题。
文本洞察的替代方案
论文给出的替代做法是把同样的经验改存为文本形式的洞察，而不是存成工具转移图。这一方式在几乎不增加 LLM 调用的前提下超过了工具图记忆。作者由此提出，记忆更适合充当软性先验，而不是对下一个工具的规定，这样得到的方案更有效也更易泛化。对正在搭建工具调用记忆的团队，这提供了一个成本更低、实现更简单的对照方向。
为什么值得看
对做 Agent 工具调用的人直接相关：工具图记忆可能白花两倍调用量，换成文本经验更划算。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。