도구 사용 LLM 에이전트가 의존하는 표준 도구 스키마는 '어떻게 호출하는가'만 담고 '언제 쓰는 게 인과적으로 적절한지'는 알려주지 않는다는 공백을, 도구 계약(전제조건·효과·위험·비용)을 자동 추론해 메우는 Contract2Tool을 제안한다. 메타데이터·스키마·문서·실행 트레이스에서 관측 가능한 증거를 정규화된 기호적 계약으로 변환해 인과적 도구 필터링에 투입한다. 골드 계약 대비 학습된 계약을 평가한 결과, 문서와 트레이스를 결합한 증거가 골드 계약의 신뢰성·효율 이점을 대부분 보존했다. 학습 계약 기반 CMTF는 다단계 작업에서 0.980 성공률(골드 0.990)을 내면서, 노출 도구를 100개에서 1개로, 평균 토큰을 26,172에서 2,528로 줄였다. 도구 스키마와 신뢰 가능한 에이전트 실행 사이를 잇는 확장 가능한 계약 계층을 제시한다.
- •도구의 전제조건·효과·위험·비용을 메타데이터·문서·실행 트레이스에서 자동 추론하는 Contract2Tool
- •관측 증거를 정규화된 기호적 계약으로 변환해 인과적 도구 필터링에 투입
- •학습 계약 기반 CMTF가 0.980 성공률로 골드 계약(0.990)에 근접
- •노출 도구 100→1개, 평균 토큰 26,172→2,528로 대폭 감소
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Contract2Tool: Learning Preconditions and Effects for Reliable Tool-Augmented LLM Agents
- 1.도구 스키마가 '언제/무엇을 만드는지'는 설명 못하는 공백을 자동 학습 계약으로 메우는 Contract2Tool
- 2.메타데이터·스키마·문서·실행 트레이스에서 전제조건·효과·위험·비용 계약을 추론
- 3.학습 계약 기반 CMTF가 다운스트림 성공률 0.980으로 골드 계약 0.990에 근접
- 4.노출 도구를 100→1개, 평균 토큰을 26,172→2,528로 대폭 감축
왜 중요한가?
대규모이거나 자주 바뀌는 도구 생태계에서 계약을 사람이 수작업으로 작성·유지하는 것은 확장 불가능한데, Contract2Tool은 이를 자동화하면서도 골드 계약 수준의 신뢰성과 효율을 거의 보존했다. 도구 스키마와 신뢰 가능한 에이전트 실행 사이를 잇는 확장 가능한 계약 계층을 제시한다.
언급 프로젝트
LLM 에이전트의 외부 도구 사용에 있어 사전 조건과 효과를 학습하여 신뢰성을 높이는 Contract2Tool 기술은 국내 AI 개발자들에게 매우 중요합니다. 이는 한국에서 AI 에이전트의 오작동 우려를 줄이고, 실제 비즈니스 환경에서 안전하고 효율적인 AI 서비스 구축을 위한 핵심 역량이 될 것입니다.
본문 미리보기
arXiv:2606.07904v1 Announce Type: new Abstract: Tool-augmented large language model agents increasingly rely on external APIs, but standard tool schemas describe how to call a tool, not when the tool is causally appropriate or what task state it produces. Causal tool filtering addresses this gap by using lightweight contracts that specify each tool's preconditions, effects, risk level, and cost. However, manually writing and maintaining such contracts does not scale to large or changing tool ec
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:12AI 초안
