Natural Language Tools: A Natural Language Approach to Tool Calling In Large Language Agents

文章总结与翻译

一、主要内容

本文提出了一种名为Natural Language Tools（NLT） 的框架，旨在替代大型语言模型（LLMs）中传统的程序化JSON工具调用方式，通过自然语言输出实现工具调用。核心思路是将工具选择与响应生成解耦，消除结构化格式带来的任务干扰和约束，从而提升工具调用性能。

研究通过10个模型、6400次试验（覆盖客户服务和心理健康两个领域）验证了NLT的有效性：

1. 工具调用准确率平均提升18.4个百分点（从69.1%提升至87.5%），其中开源模型受益最显著（提升26.1个百分点），闭源模型也有10.6个百分点的提升；
2. 输出方差降低70%，稳定性大幅提升；
3. 在提示词扰动场景下仍保持性能优势，且能为缺乏原生工具调用支持的模型扩展该能力；
4. 总令牌使用量减少31.4%，计算效率更高。

NLT采用模块化三阶段架构：工具选择（模型输出各工具的YES/NO决策）、工具执行（解析器处理决策并执行相关工具）、响应生成（将工具执行结果传递给输出模块），其提示词设计包含角色定义、目标说明、工具列表、输出格式描述和示例五个核心组件。

二、创新点

1. 解耦工具选择与响应生成：打破传统结构化工具调用中“理解查询、选择工具、遵守格式、生成响应”的多任务耦合模式，将工具选择独立为专属模块，减少任务干扰；
2. 自然语言替代程序化格式：摒弃JSON