论文题目：EasyTool: Enhancing LLM-based Agents with Concise Tool Instruction
论文链接：https://arxiv.org/abs/2401.06201
Github：https://github.com/microsoft/JARVIS/tree/main/easytool
概要
研究背景：
大型语言模型（LLMs）在处理复杂任务时，需要利用外部工具来扩展其能力。然而，现有的工具文档存在 不一致性 、 冗余性 和 不完整性 等问题，这限制了LLMs有效利用这些工具的能力。
方案设计：
为了解决这些问题，论文提出了 EasyTool 框架，它将多样化且冗长的原始工具文档转化为统一、简洁且有效的 工具指令 。EasyTool通过提取核心功能描述和参数信息，生成标准化的工具描述和功能指南，以指导LLMs更准确地选择和使用工具。
实验结论：
通过在多个数据集上的实验，EasyTool显著减少了LLMs在工具选择和执行过程中的错误， 提高了工具利用的成功率 。特别是在没有工具文档的情况下，EasyTool也能显著提升LLMs的性能。
LLMs是否采用EASYTOOL工具调用错误率
讨论
1、EasyTool如何处理工具文档中的不一致性和冗余性问题？
答案 ：EASYTOOL通过设计特定的指令，引导LLMs（如ChatGPT）从工具文档中提取核心功能描述，同时去除无关信息。此外，EasyTool还提供了详细的参数信息和使用示例，帮助LLMs理解如何正确地调用工具。
2、EasyTool在没有工具文档的情况下如何帮助LLMs执行工具？
答案 ：EASYTOOL能够基于工具的名称和调用函数生成提示，即使在没有详细文档的情况下，也能指导LLMs生成有效的工具指令。这种方法通过提供简洁和有效的工具指令，帮助LLMs选择正确的工具并传递正确的参数。
3、EasyTool在实际应用中如何提高LLMs的性能？
答案 ：EasyTool通过简化和精炼工具文档，减少了LLMs在处理用户请求时的token消耗，并提高了工具选择和执行的准确性。在实验中，使用EasyTool生成的工具指令的LLMs在多个任务上都显示出了更好的性能，包括正确工具路径的发现和数学问题的解决。