计算机工程

作者：廖牛语, 田沄, 李岩松, 薛海峰, 杜长坤, 张国华

单位：1. 北京师范大学人工智能学院, 北京 1008752. 数字化学习技术集成与应用教育部工程研究中心, 北京 1000683. 航天科工集团智能科技研究院有限公司, 北京 100043

关键词：大模型,工具学习,使用范式,工具调用机制,工具学习优化

基金：国家自然科学基金面上项目(62172047); 数字化学习技术集成与应用教育部工程研究中心创新基金(1311006); 中央高校基本科研业务费专项资金(2243200003)

近年来, 以GPT、LLaMA、Qwen、DeepSeek等为代表的大模型在自然语言处理、计算机视觉及多模态等领域取得了突破性进展。然而, 受限于其推理机制、参数规模和固有的训练数据知识等因素, 这些模型在处理复杂任务、解答专业领域问题及生成时效性内容时, 常出现答案不准确乃至事实性偏差幻觉等问题, 严重制约了其在高可靠性场景中的应用。为突破上述能力瓶颈, 工具学习范式应运而生并迅速成为研究热点, 其核心旨在使大模型理解并使用外部工具以完成特定任务。通过调用数据库、搜索引擎、数学工具等外部工具, 大模型能够超越自身参数化知识, 提升其推理、决策和执行能力, 缓解幻觉问题。本文系统综述了大模型工具学习的发展脉络与技术进展, 剖析了工具对大模型能力的扩展, 梳理了从上下文学习到微调训练的工具调用机制, 进而探讨了工具调用性能优化、自适应工具生成等关键问题, 分析了大模型工具调用的测评方法, 最后总结了当前工具学习面临的挑战并对大模型工具学习未来发展方向进行展望。

来源：2025年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第12期