경험 기반 적응적 지침을 통한 에이전트의 강력한 도구 사용

Towards Robust Tool Use in Agents via Experience-Driven Adaptive Guidance

에이전트의 성능 저하 요인은 점차 모델의 기능에서 실행 프로세스의 견고성으로 이동하고 있습니다. 도구는 에이전트가 외부 환경과 상호 작용하는 주요 인터페이스 역할을 하지만, 기존 방법은 다양한 런타임 조건에서도 강력한 도구 사용을 보장하는 데 드물게 집중합니다. 이러한 문제를 해결하기 위해, 우리는 각 도구의 능력 경계와 최적의 활용 방식을 파악하여 적응형 지침을 구축하고 개선하는 메커니즘인 ExpG를 제안합니다. 이를 통해 에이전트가 더 강력하고 효과적으로 도구를 사용할 수 있도록 합니다. ExpG는 세 가지 단계로 구성됩니다: (1) 경험 획득 단계에서는 과거 실행 경로에서 도구 호출의 품질을 분석하여 다각적 속성 기반 추론을 통해 구조화된 학습 경험을 생성합니다; (2) 경험 증류 단계에서는 불필요한 경험을 필터링하고, 동등성 클래스 기반 방법을 사용하여 대표적인 경험을 선택하며, 이를 일반화 가능한 지침으로 요약하여 경험 풀의 효율성을 유지합니다; (3) 경험 재사용 단계에서는 향후 작업 해결 과정에서 해당 지침을 적응적으로 적용합니다. 광범위한 실험 결과는 ExpG가 도구 선택, 도구 호출 및 응답 생성 작업 전반에 걸쳐 일관된 성능 개선을 가져다주며, ExpG를 사용하지 않는 더 큰 에이전트보다 작은 에이전트의 성능을 향상시킨다는 것을 보여줍니다. 또한, ExpG는 특히 어려운 환경에서 뛰어난 성과를 거두므로, 더욱 강력한 도구 사용을 위한 유망한 경로를 제시합니다. 저희의 코드, 실험 과정 및 결과는 공개되어 있습니다.

The performance bottleneck of agents is increasingly shifting from model capability to the robustness of their execution processes. Tools play a central role as the primary interface through which agents interact with external environments, yet existing methods rarely focus on ensuring robust tool use across diverse runtime conditions. To address this problem, we propose ExpG, a mechanism that builds and refines adaptive guidance capturing each tool's capability boundaries and best practices, thereby enabling agents to use tools more robustly and effectively. ExpG consists of three phases: (1) experience acquisition, which analyzes tool invocation quality from historical execution trajectories, producing structured learnable experiences through multi-aspect attribution; (2) experience distillation, which keeps the experience pool effective by filtering unhelpful experiences, selecting representative ones with an equivalence-class-based method, and summarizing them into generalizable guidance; and (3) experience reuse, which applies the guidance adaptively during future task solving. Extensive experiments show that ExpG brings consistent improvements across the tool selection, tool calling, and response generation tasks, enabling smaller agents to outperform larger ones that do not use ExpG. Moreover, ExpG achieves particularly strong gains in challenging settings, suggesting a promising path toward more robust tool use. Our code, experiments, and results are available.