Tool Learning with Large Language Models: A Survey

最近，利用大型语言模型（LLMs）进行工具学习已成为增强LLMs应对高度复杂问题的有前途的范例。尽管该领域受到越来越多的关注和快速发展，但现有文献仍然零散且缺乏系统性组织，这对新手构成了障碍。这种差距激励我们对现有的工具学习与LLMs的文献进行全面调查。在这项调查中，我们着重于从两个主要方面（1）工具学习的益处和（2）工具学习的实现方式进行文献综述，以便全面了解利用LLMs进行工具学习。我们首先通过从六个特定方面回顾工具集成的好处和工具学习范例的内在优势来探讨“为什么”。在“如何”方面，我们根据工具学习工作流程的四个关键阶段：任务规划、工具选择、工具调用和响应生成，系统地审查文献。此外，我们提供了现有基准和评估方法的详细摘要，根据它们与不同阶段的相关性进行分类。最后，我们讨论当前的挑战并概述潜在的未来方向，旨在激发研究人员和工业开发者进一步探索这个新兴和有前途的领域。我们还维护一个GitHub存储库，以持续跟踪这个新兴领域的相关论文和资源：\url{https://github.com/quchangle1/LLM-Tool-Survey}。

综述tool learning with large language models的现状、优势、实现方法和挑战

系统性地回顾了tool learning with LLMs的优势和实现方法，并提供了四个关键阶段的分类法和相应的评估方法

提供了一个综合的理解tool learning with LLMs的框架，提供了相关论文和资源的GitHub库，为进一步的研究提供了启示

最近的相关研究包括《Large-Scale Language Model Fine-Tuning with RoBERTa for Tool Detection》、《A Survey of Machine Learning for Big Code and Naturalness》等