주제: How to improve tool calling performance for LLM agents?

요약: LLM과 외부 도구(tool)를 결합하는 tool calling 기법은, 모델 내부 지식만으로는 접근할 수 없는 최신 정보를 활용하고 외부 환경과 상호작용하는 것을 가능케 하여 LLM 에이전트의 적용 범위와 문제 해결 능력을 크게 향상시켰다 [1, 2]. 이때 모델이 사전학습 시점에는 알 수 없었던 tool의 사용 조건과 동작 방식을 파악할 수 있도록, 도구의 기능과 사용법을 기술한 설명서(tool documentation)를 context로 제공하는 방법론이 제안되어 왔다. 그러나 이러한 설명서는 일반적으로 사람이 작성한 것이기에 LLM이 필요로 하는 정보를 모두 담지 못하거나 기계의 해석 방식과 어긋나는 경우가 많으며, 이는 잘못된 tool 선택과 인자 생성으로 이어져 효율적인 도구 활용을 저해할 수 있다 [1]. 이를 해결하기 위해 전문가가 직접 설명서를 보완할 수도 있지만, 상당한 시간과 노력을 요구할 뿐 아니라 지속적으로 변화하는 도구 사용 환경에 즉각적으로 대응하기 어려운 한계를 가진다 [2, 3]. 본 세미나에서는 위와 같은 문제를 해결하기 위해 LLM이 스스로 도구 사용 방법을 동적으로 조정하고 최적화하는 최근 연구 동향을 살펴보고, 구체적인 방법론을 이해하는 것을 목표로 한다 [1, 2, 3].

참고자료:

[1] Qu, C., Dai, S., Wei, X., Cai, H., Wang, S., Yin, D., ... & Wen, J. R. (2025, May). From exploration to mastery: Enabling llms to master tools via self-driven interactions. In International Conference on Learning Representations (Vol. 2025, pp. 55675-55697).

[2] Fang, W., Zhang, Y., Qian, K., Glass, J., & Zhu, Y. (2025, July). Play2prompt: Zero-shot tool instruction optimization for llm agents via tool play. In Findings of the Association for Computational Linguistics: ACL 2025 (pp. 26274-26290).

[3] Chen, A., Liu, Z., Zhang, J., Prabhakar, A., Liu, Z., Heinecke, S., ... & Xiong, C. (2026, April). Test-time adaptation for llm agents via environment interaction. In International Conference on Learning Representations (Vol. 2026, pp. 39256-39288).