SciToolAgent-Evo: 온톨로지 기반의 자가 진화 에이전트로서 개방형 환경에서의 과학적 도구 확보

SciToolAgent-Evo: An Ontology-Aware Self-Evolving Agent for Open-World Scientific Tool Acquisition

대규모 언어 모델(LLM) 에이전트는 과학 연구 분야에서 전문적인 계산 도구를 조직하고 실행하는 데 점점 더 많이 활용되고 있습니다. 그러나 이러한 에이전트는 정적으로 정의된 도구 공간과 의미에 의존하기 때문에, 도구 요구 사항, 기능 및 경계가 동적으로 변화하는 개방형 과학적 워크플로우에는 적용 범위가 제한됩니다. 이에 따라, 우리는 개방형 환경에서 과학적 도구를 확보하기 위한 온톨로지 기반의 자가 진화 에이전트인 SciToolAgent-Evo를 제안합니다. 이 에이전트는 기술, 경험 및 온톨로지로 구성된 도구 그래프에 대한 지속적인 학습을 통해 일반화 가능한 지식을 축적하며, 추론 과정에서는 능동적으로 요청을 생성하고 LinUCB 기반의 밴딧 게이트를 사용하여 탐색과 활용 사이의 균형을 동적으로 조절합니다. 새로운 도구가 확보되면 해당 도구의 과학적 온톨로지가 온라인으로 완성되어 기존 그래프에 원활하게 통합됩니다. 또한, 우리는 900개의 실제적인 작업과 네 가지 난이도 수준을 포함하는 벤치마크인 OpenSciToolBench를 소개합니다. 광범위한 평가 결과, SciToolAgent-Evo는 최첨단 성능을 달성했으며, 이는 그 견고성과 일반화 능력을 입증합니다.

Large language model (LLM) agents have been increasingly adopted in scientific research for organizing and invoking specialized computational tools. However, their reliance on predefined tool spaces with static semantics limits their applicability to open-world scientific workflows, where tool requirements, capabilities, and boundaries evolve dynamically. To this end, we propose SciToolAgent-Evo, an ontology-aware self-evolving agent for open-world scientific tool acquisition. Driven by an evolving memory of skills, experiences, and an ontologized tool graph, it distills generalizable knowledge from contrastive trajectories during accumulation, whereas during inference, it formulates active requests and utilizes a LinUCB-based bandit gate to dynamically balance exploration and exploitation. Once a novel tool is acquired, its scientific ontology is completed online for seamless integration into the known graph. Moreover, we introduce OpenSciToolBench, a benchmark containing 900 realistic tasks across four difficulty levels. Extensive evaluations show that SciToolAgent-Evo achieves state-of-the-art performance, validating its robustness and generalization.