Towards Robust Tool Use in Agents via Experience-Driven Adaptive Guidance

语言：中文 / English

论文：arXiv:2608.03403 代码：https://github.com/WangCan1178/ExpG

简介

本目录归档基于 Agentscope ReMe 的工具使用增强工作 ExpG：在 ReMe 记忆框架之上，从历史工具调用中挖掘、提炼并复用经验，为智能体提供工具的 能力边界 与 最佳实践指导，从而：

• 在动态或有噪环境下更鲁棒地选择和调用工具；
• 让较小模型在带有经验指导时超越更大、但无记忆的基线；
• 在工具选择、工具调用和响应生成等多个阶段带来一致收益。

如何使用 ReMe： 启动 Tool Memory 服务后，历史工具调用经 add_tool_call_result 写入并评估，经 summary_tool_memory 蒸馏成工具级指导，再经 retrieve_tool_memory 取回并注入后续推理。向量存储与服务接口由 ReMe 提供，经验获取 / 蒸馏 / 复用策略由 ExpG 实现。完整实现与实验见 WangCan1178/ExpG。

---

ExpG 机制概览

ExpG 将工具调用视为可学习经验，并通过三阶段流水线完成经验的获取、提炼与复用：

1. 经验获取（Experience Acquisition）

   • 从历史工具调用轨迹中分析调用质量（成功/失败、代价、时间等）；
   • 针对不同工具构建结构化的经验单元，记录调用上下文、参数模式和结果。

2. 经验蒸馏（Experience Distillation）

   • 过滤无效 / 噪声经验，保留具有代表性的调用模式；
   • 基于“等价类”视角对经验进行聚合，覆盖常见模式与稀有失败模式；
   • 使用 LLM 对经验进行总结，形成可泛化的文本化指导（guidance）。

3. 经验复用（Experience Reuse）

   • 在未来任务中，根据当前工具调用上下文检索相关经验 / 指导；
   • 将经验引导融入到工具选择、参数生成和响应整理等环节；
   • 使得代理在面对动态环境和不完美反馈时仍能保持稳定表现。

---

主实验结果

MetaTool、API-Bank、BFCL-V3 上的性能对比（%）。加粗为各模型组内最优。

Model	Method	MetaTool Pass@1	MetaTool Avg@3	MetaTool Pass@3	API-Bank Pass@1	API-Bank Avg@3	API-Bank Pass@3	BFCL-V3 Pass@1	BFCL-V3 Avg@3	BFCL-V3 Pass@3	Total Pass@1	Total Avg@3	Total Pass@3
GPT-5 nano	No Method	72.62	72.76	78.49	82.96	83.46	86.97	53.80	53.00	60.95	70.82	70.62	76.63
GPT-5 nano	Few-shot	74.12	75.11	82.32	83.71	83.96	87.22	56.18	55.24	61.39	72.36	72.65	79.28
GPT-5 nano	DRAFT	73.94	73.04	78.97	84.21	83.46	87.22	57.27	57.27	62.26	72.52	71.58	77.23
GPT-5 nano	Mem0	74.96	76.13	82.92	84.96	85.21	87.22	60.95	61.61	65.08	73.98	74.67	80.35
GPT-5 nano	ExpG	81.67	82.07	84.60	86.72	86.55	87.22	64.43	63.99	66.38	79.32	79.22	81.69
DeepSeek-V3	No Method	83.10	82.94	84.66	84.71	84.38	85.46	58.79	59.65	65.94	78.92	78.66	81.37
DeepSeek-V3	Few-shot	82.74	83.90	86.28	85.21	84.63	86.22	60.52	60.30	67.90	79.08	79.45	82.92
DeepSeek-V3	DRAFT	80.23	80.79	82.44	84.96	85.63	86.47	62.26	61.61	68.55	77.70	77.80	80.54
DeepSeek-V3	Mem0	83.88	84.56	86.40	85.46	85.55	86.47	65.08	65.15	68.33	80.70	80.91	83.12
DeepSeek-V3	ExpG	85.26	85.38	86.52	87.72	87.39	87.97	69.41	69.92	72.02	82.76	82.61	84.11
Qwen3-8B	No Method	76.51	76.97	77.71	83.96	83.88	84.21	58.79	58.28	60.30	74.46	74.41	75.56
Qwen3-8B	Few-shot	79.93	79.83	82.92	83.71	82.62	84.96	60.09	59.29	61.39	76.91	76.27	79.32
Qwen3-8B	DRAFT	78.19	77.33	77.89	85.71	84.96	85.46	60.74	60.30	62.91	76.20	75.18	76.35
Qwen3-8B	Mem0	75.07	75.47	82.38	86.22	86.05	86.47	63.34	64.93	66.16	74.69	74.98	80.07
Qwen3-8B	ExpG	83.52	84.88	85.08	86.47	87.89	87.97	67.46	66.96	68.33	81.06	81.82	82.48
Qwen3-32B	No Method	80.05	79.43	80.17	84.71	84.88	85.21	65.15	65.08	66.16	78.05	77.55	78.41
Qwen3-32B	ExpG	84.68	85.02	86.28	86.97	87.30	87.72	70.72	71.01	73.32	82.48	82.56	84.14
Qwen3-235B	No Method	78.25	79.23	80.29	85.46	85.46	85.71	71.37	71.15	73.54	78.13	78.49	79.91
Qwen3-235B	ExpG	86.34	86.70	86.94	87.47	86.97	88.22	79.61	78.52	80.04	85.29	84.98	85.69

---

参考代码

路径	作用
tool_memory.py	官方风格 ReMe Tool Memory HTTP 客户端（add_tool_call_result / summary_tool_memory / retrieve_tool_memory）
parse_tool_call_result_prompt.yaml	单次工具调用多维评估用的 prompt
summary_tool_memory_prompt.yaml	将工具调用历史总结为 guidance 的 prompt
tool_memory_flows.yaml	Tool Memory 相关的 flow / op 配置摘录

以上为参考片段。完整可运行代码见 WangCan1178/ExpG。

---

引用

@misc{wang2026expg,
  title         = {Towards Robust Tool Use in Agents via Experience-Driven Adaptive Guidance},
  author        = {Can Wang and Haoran Chen and Li Yu and Ding Hao and Bohai Zhao and Zhaoyang Liu and Zhiying Tu},
  year          = {2026},
  eprint        = {2608.03403},
  archivePrefix = {arXiv},
  primaryClass  = {cs.AI},
  url           = {https://arxiv.org/abs/2608.03403},
  howpublished  = {\url{https://github.com/WangCan1178/ExpG}}
}