ToolAtlas: Learning Once, Reusing Everywhere with Tool-Side Memory

📄 arXiv: 2607.11126v1 📥 PDF

作者: Yue Fang, Zhibang Yang, Fangkai Yang, Xiaoting Qin, Liqun Li, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang

分类: cs.LG

发布日期: 2026-07-13

🔗 代码/项目: GITHUB

💡 一句话要点

提出ToolAtlas以解决工具知识共享不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 工具知识共享 大型语言模型 图结构 工具记忆 智能代理 性能优化 跨工具组合

📋 核心要点

  1. 现有方法在工具知识共享方面存在不足，难以有效利用工具能力和经验。
  2. ToolAtlas通过构建持久的提供者端工具记忆，记录工具能力和跨工具组合，解决了这一问题。
  3. 在多个基准测试中，ToolAtlas显著提升了工具使用效果，验证了其在不同环境中的可迁移性。

📝 摘要（中文）

大型语言模型（LLM）代理越来越依赖由共享提供者提供的外部工具，并由异构下游代理访问。现有方法通过参数更新、提示优化或代理端记忆来改善工具使用，使得工具知识难以共享且仅限于过去任务中观察到的行为。我们认为可重用的工具知识应由工具提供者维护。我们提出了ToolAtlas，一个基于图的框架，通过执行验证探测构建持久的提供者端工具记忆，记录工具能力、失败边界和跨工具组合。在推理时，代理通过自适应图遍历查询工具记忆。在涵盖八项服务的两个MCP基准测试中，ToolAtlas在pass@1和pass@4上分别比现有的工具端优化和代理端记忆基线提高了21.61%和18.61%。同一工具记忆在不同环境实例和代理框架间转移，无需重新训练或任务时间探索，分别实现了24.16%/16.22%和17.49%/14.27%的相对增益。消融研究表明，这些增益源于工具中心记忆组织与能力引导执行探测的结合。这些结果确立了提供者端工具记忆作为工具服务器的有效和可重用范式。

🔬 方法详解

问题定义：现有方法在工具知识的共享和重用方面存在局限，导致工具能力难以有效利用，且无法适应新的任务和环境。

核心思路：ToolAtlas的核心思路是将工具知识的维护转移到工具提供者端，通过构建持久的工具记忆，记录工具的能力和失败边界，从而实现知识的重用和共享。

技术框架：ToolAtlas采用图结构来组织工具记忆，主要模块包括工具能力记录、执行验证探测和自适应图遍历查询。代理在推理时通过查询工具记忆来获取所需的工具信息。

关键创新：ToolAtlas的关键创新在于将工具知识的管理从代理端转移到提供者端，形成了一个可重用的工具记忆体系，显著提高了工具的使用效率和适应性。

关键设计：在设计上，ToolAtlas结合了能力引导的执行探测与工具中心的记忆组织，确保了工具知识的准确性和可用性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ToolAtlas在两个MCP基准测试中表现优异，pass@1和pass@4的提升幅度分别达到21.61%和18.61%。此外，工具记忆在不同环境和代理框架间的迁移性也表现出色，分别实现了24.16%/16.22%和17.49%/14.27%的相对增益，显示出其强大的实用性和适应性。

🎯 应用场景

ToolAtlas的研究成果在多个领域具有广泛的应用潜力，包括智能助手、自动化系统和机器人技术等。通过有效的工具知识管理，能够提升系统的智能化水平和任务执行效率，推动相关技术的进步与发展。

📄 摘要（原文）

Large language model (LLM) agents increasingly rely on external tools served by shared providers and accessed by heterogeneous downstream agents. Existing approaches improve tool use on the agent side through parameter updates, prompt refinement, or agent-side memory, making tool knowledge difficult to share and limited to behaviors observed in past tasks. We argue that reusable tool knowledge should instead be maintained by the tool provider. We introduce ToolAtlas, a graph-based framework that builds a persistent provider-side tool memory of tool capabilities, failure boundaries, and cross-tool compositions through execution-verified probing. At inference time, agents query the tool memory via adaptive graph traversal. Across two MCP-based benchmarks spanning eight services, ToolAtlas outperforms existing tool-side optimization and agent-side memory baselines by up to 21.61% in pass@1 and 18.61% in pass@4. The same tool memory also transfers across environment instances and agent frameworks without retraining or task-time exploration, yielding up to 24.16%/16.22% and 17.49%/14.27% relative gains in pass@1/pass@4, respectively. Ablation studies show that these gains arise from combining tool-centered memory organization with capability-guided execution probing. These results establish provider-side tool memory as an effective and reusable paradigm for tool servers. Our code is in: https://github.com/PuppyKnightUniversity/ToolAtlas.