标签
Phil Schmid 阐述了 AI Agent 如何将工具目录折叠为单个 `exec` 工具——即 Code Mode，模型在沙箱中编写 TypeScript/Python 脚本来串联操作，并预言 MCP 将在 2027 年强势回归，同时为 Gemini 4 Argon 提供了一个极简示例。
该论文提出了 CGAP，这是一种神经符号框架，可将工具目录编译为 PDDL 模型，并结合经典规划器与基于大语言模型的目标解析，保证生成可执行的多工具计划。在四项基准测试中，其表现比标准工具调用智能体最高提升了 28.9 个百分点。
该论文介绍了 Saidzoda-Tajik-LFM-2.6B，这是基于 Liquid AI 的 LFM2.5-2.6B-Base 进行塔吉克语适配的模型，旨在配置较低的硬件上实现工具调用，采用 LoRA 持续预训练，随后进行监督微调。塔吉克语工具调用准确率从 20.69% 跃升至 64.14%，但作者表明，持续预训练（CPT）会使模型丧失原生工具调用格式，并导致英语 MMLU 得分下降（从 60.8 降至 52.5）。
用户推荐 Factory 发布的《Droid 1.0: Building a Frontier Harness》技术文章，重点介绍 Programmatic Tool Calling、按需加载工具、后台长任务以及 Agent Factory 等工程优化细节，并分享了不同模型（Opus vs Kimi）对同一优化产生相反成本效果的案例。
一位用户询问，Gemma 4 E4B 是否仍然是最佳的小型多模态模型（参数少于 8B／内存占用低于 6GB），适合通过 MLX 在 Mac 上运行支持工具调用的本地个人助理，并提到尝试 Ling 3.0 tiny、LFM 系列模型以及 Qwen 3.5 4B/9B 均未成功。
一位实践者分享了从主题演讲问答环节中获得的经验，探讨 Strands 智能体为何会选错工具或以错误的顺序调用工具，并撰写了一份附有链接和代码片段的实用指南，介绍如何解决工具选择和调用顺序问题。
Gemma-4-31B-Humanlike-Chat 是基于 Google Gemma 4 31B 的微调模型，通过监督微调（SFT）与同策略蒸馏训练，实现了无需提示的自然人类化文本风格，同时在 When2Call、BFCL 等工具调用基准上超越原版，且知识能力与基座模型持平。
一篇工程实践长文，讨论垂域 Agent 的 Harness 设计：如何基于 Deep Agents 基座接入项目知识、工作区、身份鉴权与长任务恢复，并用评测结果迭代增删能力。
Sente Labs 开源了 extensible-mcp，这是一个 MCP 代理，可动态加载 MCP 服务器而不污染 LLM 上下文，同时对工具调用实施零信任策略控制（支持 Rego、CEL，如今还支持 Cedar）。工具定义存储在可查询的向量存储中，策略和凭据则置于 LLM 无法触及的位置，从而将用户意图与已授予的权限区分开来。
有人在Qwen模型权重中直接构建了一台32位RISC-V CPU，使其能够在模型内部执行指令，这可能对工具调用和计算机操作能力产生影响。
Liquid AI 发布了 LFM3-Audio-2B，这是一款紧凑的 20 亿参数音频模型，可在笔记本电脑和边缘设备上本地运行，支持语音对话、18 种语言的多语种语音、音频理解以及工具调用，配备自研音频编码器和 LiquidCodec 分词器。
Ubicloud介绍了vLLM新增的受限解码支持（vLLM 0.31中的服务端标志）如何修复工具调用schema准确率问题，将较新的Kimi和DeepSeek模型的合规率从vLLM 0.28时的92%提升至100%。
SPECMEM提出了一种在部署期间持续维护的工具调用记忆系统，通过在线写回已验证的调用记录并配合LRU淘汰和副作用门控机制，在多会话多用户场景下实现最高1.74倍的墙钟加速，同时避免了不可逆操作的错误。
一位实践者在 Qwen3.5-4B 上使用 10 种智能体运行框架测试了 5 项任务，发现失败源于精确匹配编辑、机械地遵循指令、计数错误和 API 不匹配，而非工具调用格式错误。10 个智能体中有 6 个通过了全部任务，在相同硬件上，最长运行时间是最短的 11 倍。
一位开发者分享了在 ElevenLabs 上构建语音预订 Agent、结合 AWS Lambda 工具的经验：定价与可用性查询准确，但工具调用回合的 P95 延迟高达 5 秒，且难以保证预订步骤的顺序。文章向社区请教如何降低工具回合延迟、强制执行步骤顺序，以及让通话后的 LLM 评审变得可靠。
作者介绍了 Helix-AGI，一个开源智能体框架，它用双 RWKV 双头架构取代了 JSON 工具调用：将负责对话的 Speaking Head 与非语言的 Sensory-Actualizer Head 配对，在潜空间中耦合，并由一个记录习得习惯行为的 Habitus 图驱动，支持实时可视化。
LoopX 讨论了长程 Agent 工具调用超时后远端是否已执行的工程难题，通过稳定的 operation/Job identity、回读外部事实与组合验证实现幂等恢复，并开源了这一本地优先的长程 Agent 控制面。
作者对比了手写智能体循环和使用 LangGraph create_agent 构建购物助手的方式，说明框架本质上是帮你运行同样的循环，并额外提供检查点记忆、流式输出、重试和追踪功能。建议先手写循环理解原理，再用框架落地。
本文提出 Tracer，一种面向 LLM 智能体的轨迹感知工具检索前端，用 trie 索引历史工具调用序列并结合经验与上下文先验对下一步调用进行排序。在六个环境、四个模型上，它在 24 组对比中 21 组提升了工具选择准确率，同时每步输入 token 减少约 61%–80%。
PRISM 是一个用于评估激活干预如何在具备工具调用能力的语言模型中跨精度、语言和模型规模迁移的框架，表明量化 NF4 标签和跨语言监督能够揭示并缓解不安全的工具调用行为，即使在参数量高达 700 亿的大型模型中也是如此。