超越人工智能：AnyTool，一款基于GPT-4的智能代理，引领API调用新纪元

DeepVisionary 每日深度学习前沿科技推送&顶会论文分享，与你一起了解前沿深度学习信息！

引言：探索 AnyTool 的创新应用

在人类文明的发展历程中，我们不断探索和创新，利用各种工具增强我们的能力并提高生产效率。从简单的石器到复杂的机械，再到今天的人工智能技术，工具的演变一直在推动着社会的进步。特别是在大型语言模型（LLM）的最新进展中，我们看到了人工智能在工具使用上的巨大潜力。

AnyTool 是一个基于 GPT-4 的智能代理，它通过整合超过 16,000 个 API 来解决用户的查询问题。这一系统不仅包括一个层次化的 API 检索器，还整合了解决方案生成器和自我反思机制，形成一个闭环的解决方案系统。AnyTool 的创新之处在于它无需额外训练，直接利用 GPT-4 的功能调用特性，极大地提高了处理查询的效率和准确性。

在实际应用中，AnyTool 对比其他工具使用模型，如 ToolLLM 和专为工具使用定制的 GPT-4 变体，显示出了显著的优势。例如，在 ToolBench 测试中，AnyTool 的平均通过率比 ToolLLM 高出 35.4%。这一成绩的取得，得益于 AnyTool 在设计上的几个关键创新：即插即用的设计、层次化结构的 API 检索器、以及自我反思机制的有效整合。

通过这些创新，AnyTool 不仅提高了查询解决的效率，还通过自我反思机制，提升了处理复杂查询的能力。这种机制能够在初始解决方案不可行时重新激活 AnyTool，重新评估失败的原因和相关历史上下文，从而找到更合适的解决方案。这一过程在多个数据集上的实验中都证明了其有效性，AnyTool 在所有数据集中的表现均优于现有的基线模型。

论文标题：AnyTool: Self-Reflective, Hierarchical Agents for Large-Scale API Calls

机构：Tsinghua University, Microsoft Research Asia, University of Waterloo

论文链接：https://arxiv.org/pdf/2402.04253.pdf

项目地址：https://github.com/dyabel/AnyTool

AnyTool 的核心设计

1. 利用超过16,000个API的大规模API调用

AnyTool 设计的一个核心特点是能够接入超过16,000个API，这些API来源于Rapid API。这一庞大的API库为AnyTool提供了广泛的数据访问和功能执行能力，使其能够应对各种复杂的用户查询需求。通过这种设计，AnyTool能够在没有额外训练需求的情况下，直接利用GPT-4的功能调用特性，高效地处理和响应用户的各种请求。

2. 层次化的API检索器

AnyTool的API检索器采用了层次化的结构设计，这一结构包括三个层级，每个层级都包含一个或多个具有不同角色的代理（agents）。这种层次化的设计模仿了“分而治之”的策略，有效地将Rapid API建议的API分类整合到我们的层次结构中。这不仅显著减少了每个代理的搜索范围，还克服了与LLMs最大上下文长度相关的限制。

3. 自反思机制的整合

AnyTool的设计中还整合了自反思机制，该机制在初始解决方案不切实际时重新激活AnyTool。在接收到用户查询后，AnyTool提出一个解决方案，随后由GPT-4评估这一方案的可行性。如果方案被认为是不切实际的，AnyTool将重新激活，并考虑失败的原因及相关历史上下文。这种机制显著减少了对于简单查询的“过度搜索”，同时为复杂查询提供了更丰富的上下文和深入搜索，从而提高了查询解决过程的效率和有效性。

功能调用与问题解决

在功能调用方面，AnyTool利用GPT-4的功能调用特性，用户可以输入查询Q和一系列功能{Fi}M i=1，每个功能Fi都有可能解决Q的全部或部分，或者可能与Q无关。功能调用过程包括：用户输入查询Q和功能列表{Fi}M i=1，以及一个指定的“完成功能”F到GPT-4；GPT-4为用户生成一个功能调用请求，并清晰地指定输入参数；用户执行特定功能并将历史上下文和功能响应提供给GPT-4；这一系列步骤重复进行，直到GPT-4激活“完成功能”F，标志着查询Q的解决。

在问题解决方面，AnyTool的解决器（solver）使用生成的API候选池来解决用户的查询Q。解决器可以采用深度优先搜索决策树（DFSDT）或思维链（CoT）方法来实现。如果初始解决方案未能解决用户查询，自反思机制将按顺序重新激活API检索器和解决器。这种机制可以重复应用，直到满足终止条件。

自反思机制的详细分析

1. 自反思机制的定义与功能

自反思机制是AnyTool系统中的一个核心组成部分，它允许系统在初始解决方案不可行时重新激活，重新考虑失败的原因和相关的历史背景。这种机制显著减少了对简单查询的“过度搜索”，同时为复杂查询提供了更丰富的上下文和深入的搜索。通过自反思，AnyTool能够在多轮自反思迭代后显著提高解决方案的通过率，如图3所示，仅通过4-6轮自反思，通过率就能提高高达20%。

2. 自反思在API检索器中的应用

在API检索器中，自反思首先识别用户查询未解决的原因。如果解决器选择“放弃”，则使用解决器提供的理由；如果解决器提出了解决方案，但GPT-4评估认为它未能妥善解决查询，则使用GPT-4提供的理由。我们将识别的原因整合到所有这些历史背景中。由于API检索器的层次结构设计，我们系统地重新激活各种代理以提高效率，按照从工具代理到类别代理再到元代理的顺序进行。

3. 自反思在解决器中的应用

当解决器做出“放弃”决定时，它旨在识别与用户查询无关或不正确的API的功能名称。为了提高效率，我们首先从扩展的API候选池中移除这些API，并从解决器的历史背景中排除调用这些API的条目。然后，解决器使用新的引导提示、更新的API候选池和清理过的历史背景重新激活。剩余的过程与第4.2节中描述的相同。

实验设置与评估协议

1. 评估协议的修订

在先前的工作中，ToolLLM的评估协议开始于将用户查询分类为可解决或不可解决，使用一组参考API。然而，对于那些不可解决的查询，评估系统在计算通过率时将它们视为已解决，导致人为地高通过率。我们的研究深入这种评估方法的细节，并提出了一个更能反映实际应用场景的修订协议。如图4所示，我们绕过ToolLLM的第一阶段评估，直接使用GPT-4来确定代理提出的解决方案在解决查询方面的有效性。

2. 实验设置

我们在两个基准上进行实验：ToolBench和我们自己的基准，称为AnyToolBench。ToolBench包括六个子集，我们对ToolBench进行了手动审查，只保留可以使用特定API解决的查询。AnyToolBench包括400个实例。我们使用通过率（如方程2所定义）作为评估指标，评估一个由代理生成的解决方案是否能解决查询。

通过这些详细的机制和严格的评估协议，AnyTool在各种数据集上展示了其优越性，显著超过了如ToolLLM这样的强基线。

主要实验结果与分析

1. 实验设置与基准测试

在我们的实验中，AnyTool在两个基准测试上进行了评估：ToolBench和我们自己创建的AnyToolBench。ToolBench包含六个子集，分别是G1-Instruction、G1-Tool、G1-Category、G2-Instruction、G2-Category和G3-Instruction。我们对ToolBench进行了手动审查，排除了无法解决的查询。AnyToolBench包括400个实例，详细创建过程见附录A.8。

2. 主要结果

在ToolBench的过滤数据集上，AnyTool与ToolLLM及其变体以及多个为工具使用定制的GPT-4模型进行了比较。AnyTool在平均通过率方面显著优于ToolLLM和使用参考API的GPT-4，分别提高了32.6和19.3个百分点。这一结果证明了AnyTool在实际应用场景中的有效性和优越性。

讨论与未来研究方向

1. 讨论

AnyTool通过其独特的层次结构API检索器和自反思机制，显著提高了查询解决的效率和效果。这种设计允许AnyTool在不需要外部模块训练的情况下，直接利用GPT-4的功能调用特性，有效地处理和解决用户查询。此外，我们对评估协议的改进更符合实际应用场景，使得AnyTool在新的评估基准上表现出色。

2. 未来研究方向

尽管AnyTool在当前的实验中表现优异，但我们认为还有几个方向值得进一步探索：

• 优化API的组织：改进API的结构和分类，以提高检索效率和准确性。
• 开发专用的开源大型语言模型：为API使用定制开发高效的语言模型，这可能会进一步提升性能，并便于本地部署和实际应用。

此外，AnyTool的性能在极其复杂的场景中尚未得到验证，这是因为缺乏合适的数据集。未来的工作可以通过创建或利用更复杂的数据集来测试和提升AnyTool在这些场景下的表现。

总结

在本文中，我们介绍了AnyTool，这是一个先进的代理工具，能够利用超过16,000个API来有效处理现实用户查询。AnyTool的核心是一个分层的API检索器和一个解决器，此外，它还整合了一个独特的自反思机制，提高了对用户查询的响应能力。我们还修订了之前的评估协议，使其更好地反映现实应用场景。在ToolBench和我们自己的AnyToolBench上进行的严格实验显示，我们的方法优于现有模型。

尽管AnyTool显著提高了通过各种工具解决用户查询的有效性，但在极其复杂的场景中的表现尚未得到验证，这是因为缺乏适当的数据集。此外，由于AnyTool依赖于GPT-4的函数调用特性，GPT-4的能力也影响了它生成的解决方案的可行性。

未来的研究方向包括：1) 优化API的组织，以提高性能和效率；2) 开发一个专门用于API利用的高级开源大型语言模型，这可能有助于本地部署。

通过这些探索和改进，AnyTool不仅展示了在处理复杂查询中的潜力，也为未来的研究和应用开辟了新的道路。

关注DeepVisionary 了解更多深度学习前沿科技信息&顶会论文分享！