대규모 언어 모델(LLM)은 강력한 추론 능력과 방대한 세계 지식으로 인해 최근 추천 시스템에서 주목받고 있지만, 기존 LLM 기반 에이전트는 환각과 컨텍스트 길이 제한에 시달려 전체 순위(full-ranking) 추천 작업에 적합하지 않다. LLM 자체를 수정하기보다 아키텍처 설계를 통해 이러한 한계를 우회하기 위해, LLM이 여러 추천 모델을 도구로 상호작용하는 중앙 계획자 역할을 하는 메모리 기반 Personalized Recommendation Tool learning via autonomous language Agents(PRTA) 에이전트 기반 추천 프레임워크를 제안한다. LLM 기반 에이전트는 고수준 추론과 개인화된 도구 선택을 담당하고, 전통적인 추천 모델은 행동 패턴 모델링에서의 확장성을 활용하여 전체 순위 점수 산출을 수행한다. 개인화된 도구 선택을 지원하기 위해, 사용자 프로필과 후보 순위 목록을 기반으로 각 사용자에 대해 도구를 평가하고 비교할 수 있도록 에이전트에 반성(reflection) 메커니즘을 설계한다. 세 개의 공개 데이터셋에 걸친 광범위한 실험은 전체 순위 추천 성능 향상에서 PRTA가 전통적인 추천 및 LLM 기반 베이스라인 대비 우수함을 보여준다.
Large language model (LLM) agents increasingly rely on external tools served by shared providers and accessed by heterogeneous downstream agents. Existing approaches improve tool use on the agent side through parameter updates, prompt refinement, or agent-side memory, making tool knowledge difficult to share and limited to behaviors observed in past tasks. We argue that reusable tool knowledge should instead be maintained by the tool provider. We introduce ToolAtlas, a graph-based framework that builds a persistent provider-side tool memory of tool capabilities, failure boundaries, and cross-tool compositions through execution-verified probing. At inference time, agents query the tool memory via adaptive graph traversal. Across two MCP-based benchmarks spanning eight services, ToolAtlas outperforms existing tool-side optimization and agent-side memory baselines by up to 21.61% in pass@1 and 18.61% in pass@4. The same tool memory also transfers across environment instances and agent frameworks without retraining or task-time exploration, yielding up to 24.16%/16.22% and 17.49%/14.27% relative gains in pass@1/pass@4, respectively. Ablation studies show that these gains arise from combining tool-centered memory organization with capability-guided execution probing. These results establish provider-side tool memory as an effective and reusable paradigm for tool servers. Our code is in: https://github.com/PuppyKnightUniversity/ToolAtlas.
대규모 언어 모델(LLM) 에이전트는 재사용 가능한 절차를 모델 외부에 저장하는 경향이 점점 증가하고 있다. 이러한 재사용 가능한 절차는 흔히 스킬(skill)이라 불리며, 코드 함수, 자연어 명령, SKILL.md 패키지, 워크플로우 그래프, 또는 미래의 에이전트가 검색하고 호출할 수 있는 학습된 어댑터 형태일 수 있다. 이 분류 체계 기반 서베이는 이러한 스킬 라이브러리가 시간에 따라 어떻게 변화하는지를 탐구한다. 2023년부터 2026년까지의 124편 논문 감사 집합을 대상으로, 우리는 동적 스킬 시스템을 생명주기 관리, 검증, 진화하는 아티팩트 저장소로 종합한다: 에이전트는 상호작용에서 증거를 수집하고, 스킬 업데이트를 제안하며, 후보를 검증 및 수용하고, 검색과 합성을 위해 정리하며, 오래된 항목을 수리하거나 제거하고, 출처 추적과 롤백을 통해 공유를 관리한다. 우리는 문헌을 세 가지 서베이 도구를 중심으로 구성한다. 첫째, 6가지 유형 분류 체계는 현재 논문에서 '스킬'이라 불리는 구조적으로 상이한 아티팩트들을 구분한다. 둘째, 8단계 생명주기 아키텍처는 증거 획득, 제안, 검증/수용, 저장, 검색/합성, 유지보수, 증류/이식성, 그리고 거버넌스에 관한 반복적인 설계 결정을 식별한다. 셋째, 경량 스킬 레코드 스키마와 10가지 연산자 어휘는 라이브러리 업데이트를 별도의 방법론적 기여로 격상시키지 않고 비교하기 위한 공통 용어를 제공한다. 이 구조를 활용하여, 우리는 명시적 주의사항과 함께 증거 기반 패턴을 종합한다: 수용과 수리는 반복적으로 중요하며, 검증기 품질은 스킬 인식 강화학습(RL)에 실질적인 영향을 미치고, 단층 검색은 라이브러리가 커질수록 성능이 저하될 수 있으며, 현재 벤치마크는 여전히 라이브러리 궤적, 사용-효용 격차, 그리고 안전성 표면을 과소 보고하고 있다. 마지막으로, 동적 스킬을 정적 프롬프트나 도구 모음이 아닌 변화하는 라이브러리로 평가하기 위한 구체적인 보고 기준과 미해결 문제를 제시한다.
비전-언어 모델(VLM)의 시각적 추론 성능을 향상시키려면 일반적으로 재학습이나 수작업으로 설계된 프롬프트 및 도구가 필요합니다. 본 논문에서는 가중치 업데이트 없이 고정된 VLM을 적응시키는 학습-불필요(training-free) 프레임워크인 Dynamo를 제안합니다. 소규모 레이블링된 학습 서브셋에서, 에이전트는 자신의 정답 및 오답 시도를 스스로 검토하고 두 가지 상호보완적 능력을 진화시킵니다: 인지적 병목에 대응하는 재사용 가능한 추론 스킬과, 지각적 병목에 대응하는 실행 가능한 시각 도구입니다. 생성된 각 도구에는 호출 시점을 명시하는 스킬이 짝지어지며, 두 능력 유형 모두 영속적인 라이브러리에 축적됩니다. 네 가지 시각적 추론 벤치마크와 다섯 가지 VLM 백본에 걸쳐, Dynamo는 20개의 모델-벤치마크 설정 전체에서 직접 추론 성능을 향상시켰습니다(평균 +5.6 정확도). 도구 집합이 사전에 주어지는 경우, 본 프레임워크는 각 도구의 호출 시점을 학습하며, 단계별 도구 선택이 테스트된 모든 백본에서 개선되었습니다. 태스크별 강화학습(RL) 방법(VTool-R1, DeepEyes)과 비교할 때, Dynamo는 훨씬 적은 연산량으로 RL 성능 격차의 65~99%를 줄이며, RL과 결합 시 추가적인 성능 향상을 달성합니다.