【AAAI2026】AutoTool：面向大语言模型智能体的高效工具选择方法

大型语言模型（LLM）智能体凭借其推理与决策能力，已成为自动化复杂任务的强大工具。然而，当前智能体框架的主要瓶颈在于工具选择的高推理成本，尤其是在诸如 ReAct 等方法中，需在每一步反复调用 LLM 来决定使用哪一项工具。为此，本文提出 AutoTool，一种新颖的基于图的框架，通过利用一个关键的经验性观察来绕开重复的 LLM 推理：工具使用惯性（tool usage inertia）——即工具调用往往遵循可预测的序列模式。 AutoTool 从历史智能体轨迹构建有向图，其中节点表示工具，边则刻画工具之间的转移概率，从而有效建模工具选择的这种“惯性”特性。同时，它进一步整合参数层面的信息来优化工具输入的生成。通过遍历这一结构化表示，AutoTool 能够以极少依赖 LLM 推理的方式，高效完成工具及其参数的选择。 在多类智能体任务上的大量实验表明，AutoTool 在保持竞争性任务完成率的同时，将推理成本降低了最高 30%，为推理负载沉重的框架提供了实用且可扩展的增强方案。我们的研究凸显了在 LLM 智能体设计中引入统计结构的潜力，使其在不牺牲性能的前提下进一步提升效率。 代码地址：https://github.com/jiajingyyyyyy/AutoTool