에이전트 도구 호출 언어 모델은 호출 가능한 API, 함수, 로컬 액션으로 구성된 대규모 레지스트리에 의존한다. 전체 도구 명세를 프롬프트에 직접 배치하면 도구 레지스트리 크기에 선형적으로 비례하는 비용이 발생하여 컨텍스트 윈도우를 빠르게 소진한다. 레지스트리가 커질수록 지연 시간이 증가하고, 특히 관련 없는 도구들의 간섭으로 인해 선택 정확도가 저하된다. 우리는 이러한 한계를 극복하기 위해 NTILC를 제안한다. NTILC는 문맥 내 레지스트리 조회를 학습된 잠재 검색(latent retrieval)으로 대체하는 신경망 기반 도구 선택 및 호출 프레임워크다. NTILC는 사용자 의도와 도구 명세를 공유 임베딩 공간에 매핑하여, 문맥 내 조회 대신 외부 검색을 통한 도구 선택을 가능하게 한다. 언어 모델은 선택된 도구 스키마만을 조건으로 받아 정밀하고 제약된 인자 생성을 수행한다. 우리 접근법의 핵심은 시그니처 인식 복합 목적 함수(signature-aware composite objective)로, 이는 도구 시그니처(예: 인자 스키마, 타입 호환성, 반환 타입)에서 도출된 제약 조건으로 의미론적 유사도를 보강한다. Circle Loss와 Functional Margin Loss를 결합함으로써, 모델은 의미론적으로 유사하지만 실행 시그니처 측면에서 호환되지 않는 도구들 간의 분리를 강제한다. 우리는 공개 도구 선택 및 함수 호출 데이터셋에서 NTILC를 평가하고, 컨텍스트 토큰 사용량, 검색 정확도, 선택 지연 시간 지표를 보고한다. 이러한 설정 전반에 걸쳐 NTILC는 장문맥 ICT(in-context tool) 기준선 대비 컨텍스트 윈도우 소비를 95% 이상 줄이고 추론 지연 시간을 최대 74%까지 감소시킨다.
에이전트형 AI(Agentic AI) 아키텍처는 대규모 언어 모델(LLM)에 외부 툴을 추가하여 강력한 기능을 발휘하게 합니다. 그러나 툴 사용이 항상 이로운 것은 아니며, 일부 호출은 중복되거나 심지어 해로울 수 있습니다. 따라서 효과적인 툴 사용은 작업을 수행할 때 툴을 호출할지 여부를 결정하는 핵심적인 LLM의 결정에 달려 있습니다. 이 결정은 웹 검색 툴의 경우 특히 어렵습니다. 외부 정보의 이점이 모델의 내부 지식과 잠재적으로 잡음이 섞인 툴 응답을 통합하는 능력에 의존하기 때문입니다. 우리는 의사결정 이론에서 영감을 받은 원칙적인 프레임워크를 소개하여, 필연성, 유용성, 그리고 비용 효율성이라는 세 가지 핵심 요소를 통해 웹 검색 툴 사용 결정을 평가합니다. 우리의 분석은 두 가지 상호 보완적인 관점을 결합합니다. 하나는 툴 호출의 최적 할당으로부터 실제 필요와 유용성을 추론하는 규범적 관점이고, 다른 하나는 관찰된 행동으로부터 모델의 자체 인식된 필요와 유용성을 추론하는 기술적 관점입니다. 우리는 4개의 웹 검색 툴과 3개의 작업에 걸쳐, 현재 턴과 검색 결과만을 조건으로 하는 하니스와 전체 실행 추적을 조건으로 하는 하니스라는 두 가지 하니스 하에서 6개의 오픈 소스와 1개의 폐쇄형 소스 최첨단 모델을 평가했습니다. 모든 설정에서 우리는 모델이 인식하는 필요와 유용성이 실제 필요와 유용성과 빈번하게 정렬되지 않음을 발견했습니다. 이 프레임워크를 기반으로 우리는 모델의 은닉 상태로부터 필요와 유용성을 추정하는 가벼운 추정기를 학습시킵니다. 이러한 추정기는 결정 품질을 향상시키고 대부분의 오픈 소스 모델에 대해 자체 인식 기준선보다 더 강력한 작업 성능을 내는 간단한 컨트롤러를 구동합니다.