大型語言模型（LLMs）目前仍然很難處理需要多步驟推理、特定領域知識或外部工具集成的復雜任務，有研究工作探索了使用預先構建的外部工具來增強LLMs處理復雜任務的能力，但這些方法需要對模型進行微調或額外訓練以實現工具的集成，在不同任務之間難以靈活適應。

現有的方法要么依賴于靜態的、預定義的工具集，要么缺乏高效的工具選擇和規劃機制，這種低效性會導致任務執行出錯、計算成本增加，以及在應用于新領域時適應性受限。

傳統增強LLMs的方法包括少量樣本提示（few-shot prompting）、思維鏈（chain-of-thought reasoning）以及與外部工具接口的功能調用API；有的框架如LangChain和AutoGen允許LLMs夠使用外部資源，但通常智能用于指定應用場景或需要大量的預配置，沒有提供一種統一的多步驟規劃和執行方法，因此在處理復雜推理問題時效果不佳。

此外，大多數現有方法缺乏對工具選擇的結構化方法，導致執行效率低下。

最近，斯坦福大學推出一個無需訓練、用戶友好且易于擴展的開源智能體框架OctoTools框架，包含對工具選擇的結構化方法，大幅提高執行效率的同時，還能夠解決跨多個領域的復雜推理。

OctoTools引入了標準化的工具卡來封裝工具功能，一個用于高級和低級規劃的規劃器（planner），以及一個執行工具使用的執行器（executor）。

論文鏈接：https://arxiv.org/pdf/2502.11271

代碼鏈接：https://github.com/octotools/octotools

研究人員在16個不同的任務（包括MathVista、MMLU-Pro、MedQA和GAIA-Text）上驗證了OctoTools的通用性，比GPT-4o的平均準確率提高了9.3%

此外，當提供相同的工具集時，OctoTools的性能全面優于AutoGen、GPT-Functions和LangChain，最多提高了10.6%的性能，在任務規劃、有效工具使用和多步問題解決方面具有非常大的優勢。

OctoTools框架

OctoTools框架的核心設計理念是讓人工智能系統能夠高效地使用外部工具，而無需額外的訓練或框架調整。

主要包含工具卡片、規劃器、執行器，還包含一個任務指定的工具集優化算法，能夠學習為下游任務選擇最有用的工具子集。

整個過程不斷迭代，直到找到完整的解決方案。

工具卡片（Tool Cards）

工具卡片定義了工具使用的元數據，每個工具卡片的設計與框架是相對獨立的，用戶可以在不修改底層框架或智能體邏輯的情況下，輕松集成各種工具。

新的工具卡片可以無縫集成到框架中，而無需進行額外的訓練或對框架進行調整，極大提高了工具的可擴展性和靈活性。

每個工具卡片代表一個工具及其必要的元數據，包括工具的名稱、輸入和輸出類型，以及命令示例，為規劃器和執行器提供了開發者的指導建議。

比如，圖像描述工具（Image_Captioner_Tool）指出「在復雜場景中可能會出錯」以及「可以考慮使用其他工具進行驗證」；目標檢測工具（Object_Detector_Tool）注明了其在檢測對象方面的限制。

為了確保交互上的一致性，每個工具卡片都實現了兩個標準功能：

execute()函數封裝了工具的核心功能，例如生成代碼片段或執行目標檢測，執行結果以結構化格式存儲，以支持不同的輸出類型，例如生成的代碼、檢測到的目標或存儲的文件；

get_metadata()函數允許規劃器和執行器動態評估工具的能力，并理解其使用限制。

規劃器（Planner）

規劃器負責從宏觀和微觀兩個層面進行規劃，不僅關注整體目標，還會逐步細化每一步的動作，確保任務能夠高效、精準地執行。

初始化  

規劃器首先會檢查工具箱，加載所有工具卡片，每個工具都帶有描述其輸入輸出模式和使用限制的元數據。

為了更高效地使用工具，規劃器會根據專家建議或通過少量示例（few-shot）進行優化，選出工具子集。

查詢分析與動作預測  

當輸入一個查詢時，規劃器會根據其初始化信息，為工具的使用制定一個初步的、宏觀的計劃：總結查詢的目標，分析所需的技能，識別相關的工具，并特別指出需要驗證的環節，確保每個后續的子目標都與原始查詢保持一致。

隨后，在每步內會提出一個行動（微觀計劃），實時細化并執行每個子目標，根據新信息或反饋進行調整。

上下文驗證與解決方案總結  

在每次執行命令后，上下文驗證器會檢查當前上下文是否已經解決了問題，是否所有子目標都已滿足，并識別是否有模糊處理。

如果問題仍未解決，規劃器會繼續進入下一個循環，預測下一個動作。

整合答案時，會結合中間工具的輸出，追溯推理步驟，并以簡潔、用戶友好的方式呈現最終解決方案。

執行器（Executor）

執行器負責生成可執行的命令，調用工具，并將結構化的結果保存在上下文中。

命令預測  

當規劃器預測出動作時，命令生成器（由語言模型驅動）會創建一個低層次的命令，形式為可執行的Python腳本，調用指定工具，并提供必要的輸入，同時完成數據準備工作。

命令執行  

命令執行器會在Python環境中運行生成的命令，并獲取結果，包括工具的輸出、日志或錯誤信息。軌跡保留了采取的動作、生成的代碼以及獲得的結果的清晰歷史記錄。

針對任務優化工具集

OctoTools工具箱包含多種工具，涵蓋了不同的模態和技能，啟用所有可用工具時具有很強的通用性，當為某個任務提供少量驗證樣本時，選出工具子集可以進一步提高效率和性能表現。

研究人員提出了一種自動化的算法為每個任務優化工具集配置，采用貪心搜索策略將計算復雜度降低到O(n)，與工具數量線性相關。

實驗結果

主要結論

研究人員對比了工具集優化后的框架OctoTools與其他三種基線方法的性能，包括：

1. 零樣本（zero-shot）：基礎語言模型（gpt-4o-2024-08-06）直接回答問題，沒有任何額外的提示；

2. 思維鏈（chain-of-thought，CoT）：基礎語言模型被提示“逐步思考”，以生成逐步推理的過程；

3. OctoTools基礎版（OctoTools-base）：僅使用基礎工具，不進行任何外部集成。

在16個基準測試中，OctoTools在性能上取得了顯著提升，比零樣本和連貫推理基線分別高出9.3%和7.7%，比零樣本（高出4.2%）和思維鏈（高出2.6%）的性能更強，表明該框架的逐步推理能力對性能的提升有顯著貢獻，即使不依賴外部工具集成也是如此。

其他智能體框架

研究人員還對比了三種常用的通用人工智能（GenAI）智能體框架：

1. GPT-Functions：使用GPT-4o通過函數調用用戶指定的工具；

2. LangChain：提供多智能體協作、長期記憶和工具使用能力；

3. AutoGen：能夠創建多個具有工具使用能力的自主智能體。

為了公平對比每個系統在多步驟中規劃和使用工具的能力，研究人員將所有智能體框架（包括OctoTools）配置為使用相同的底層模型（GPT-4o）和超參數，使用相同的工具集，最大推理步數為10步，時間限制為300秒。

總體而言，OctoTools的表現優于其他智能體框架，平均準確率比AutoGen高出10.6%，比GPT-Functions高出7.5%，比LangChain高出7.3%