Büyük dil modelleri (LLM) tabanlı yapay zeka ajanları, karmaşık görevleri otomatikleştirmek için dış araçları kullanıyor. Özellikle mobil cihazlarda çalışan bu sistemler, performansı artırmak ve işlem yükünü azaltmak için bir seçim modülü aracılığıyla uygun araçları belirliyor.
Ancak mevcut araç seçim yöntemleri ciddi sınırlamalara sahip. Bu yöntemler statik ve sınırlı girdilere dayanarak çalışıyor, dolayısıyla çok adımlı araç bağımlılıklarını ve değişen görev bağlamını yakalayamıyor. Bu durum sıklıkla ilgisiz araçların seçilmesine yol açarak ajanları yanıltıyor ve sistem verimliliğini düşürüyor.
Araştırmacıların geliştirdiği Dinamik Araç Bağımlılığı Alma (DTDR) yöntemi bu sorunlara çözüm sunuyor. DTDR, hem başlangıç sorgusu hem de gelişen araç çağırma planını dikkate alarak şartlı seçim yapıyor. Sistem, fonksiyon çağırma örneklerinden araç bağımlılıklarını modelleyerek, planlar ilerledikçe adaptif bir şekilde araç seçimi gerçekleştiriyor.
Yapılan testlerde DTDR, mevcut en gelişmiş seçim yöntemleriyle karşılaştırılmış ve birden fazla veri seti ile LLM mimarisinde değerlendirilmiş. Sonuçlar, seçim hassasiyeti, görev doğruluğu ve hesaplama verimliliği açısından önemli iyileşmeler gösteriyor. Bu yenilik, özellikle kaynak kısıtlı mobil cihazlardaki yapay zeka asistanlarının daha akıllı ve verimli çalışmasını sağlayacak.