通过似然引导的工具空间优化实现自演化智能体

基于摘要分析。本文研究智能体如何针对反复出现的任务类型，利用累积的工具输出经验维护持久化工具空间，以减少完整工具库带来的无关上下文和重复选择成本。作者提出 LOTS（Likelihood-Only Tool Scoring），在保持模型参数固定的条件下更新工具配置，而非通过参数训练实现自演化。 核心机制是：每次请求完成后，固定模型已生成的答案，逐一移除某个工具的实际输出，测量答案似然的变化，据此估计该工具的贡献；随后在同类任务内聚合贡献、排序工具并更新持久化工具空间。相较于主要依赖工具描述或模型先验、逐请求独立选工具的方法，该机制强调输出感知评分、跨请求经验积累，以及将工具选择开销摊销到后续同类请求。摘要未给出评分的具体公式、聚合规则或工具保留阈值。 作者报告，在三个基准上，LOTS 提升任务表现并显著减少工具上下文；序列实验显示任务特定工具空间能够持续保留并随经验改善，跨模型实验显示所学配置可在不同模型间迁移。摘要未提供基准名称、模型配置、指标、数值、任务划分或对照细节，因此尚不能判断收益幅度及适用边界。 需核对似然变化如何对应答案正确性、多个工具输出之间的互补或冗余如何影响评分，以及任务分布变化时持久化配置如何更新。评分与配置更新的额外成本、实验协议、消融及统计信息尚未验证。本文主要研究工具调用智能体，不是 EEG 解码或 BCI 算法；材料未提供其在神经信号任务上的验证，不能将工具配置的跨模型迁移等同于 EEG 的跨被试或跨数据集泛化。