ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents
Pubblicata su AIChronos il · fonte del · Guanting Dong, Zhichao Sun, Xinyu Yang, Rui Wang, Xin Deng, Jiajie Jin
ToolSpace è un framework tool-centric che inverte l'approccio tradizionale data-centric per la sintesi di ambienti MCP (Model Context Protocol). Il metodo estrae dipendenze da tracce di esecuzione reali e corpora open-source utilizzando regole deterministiche invece del giudizio degli LLM, clusterizzando poi il grafo dei compositori pesati. Vengono sintetizzati database solo per gli ambienti che mutano lo stato, mentre query e tool stateless riproducono i risultati registrati tramite random walk consapevoli dello stato con rollback. Infine, ogni catena viene decompilata in task a linguaggio naturale verificati tramite assertion-based checks.
- Utilizzo di regole deterministiche per minare dipendenze da tracce di esecuzione reali invece del giudizio degli LLM.
- Sintesi dei database limitata esclusivamente agli ambienti che mutano lo stato, con replay per tool stateless.
- Decompilazione delle catene in task a linguaggio naturale mantenendo solo i campioni che riproducono con successo dallo stato iniziale.
- Miglioramento significativo del punteggio medio su benchmark di long-horizon (da 23.0 a 41.0 per Qwen3.6-35B-A3B).
- Superiorità delle edges witnessate dall'esecuzione rispetto a quelle giudicate dagli LLM.
Perché conta. Per gli sviluppatori di agenti e AI locale, ToolSpace offre un metodo robusto per generare ambienti sintetici realistici che migliorano la capacità degli modelli di gestire flussi di lavoro complessi senza affidarsi esclusivamente al giudizio probabilistico dei grandi linguaggi.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.