ToolSpace: scalare la sintesi di ambienti incentrata sugli strumenti per agenti che operano su orizzonti lunghi

Abstract degli autori

I modelli linguistici di grandi dimensioni vengono impiegati come agenti che operano su orizzonti lunghi e combinano strumenti diversi attraverso servizi MCP in flussi di lavoro eseguibili. I metodi esistenti per ampliare gli ambienti MCP sono incentrati sui dati: prima sintetizzano un database e uno scenario, poi ne ricavano strumenti e compiti. Di conseguenza, le interfacce degli strumenti potrebbero non corrispondere a quelle reali, le composizioni di strumenti non sono fondate sull’esecuzione e i compiti raramente coinvolgono più di un ambiente. Proponiamo ToolSpace, un framework incentrato sugli strumenti che inverte quest’ordine. ToolSpace estrae dipendenze relative a dati, stato e tentativi ripetuti da chiamate adiacenti nelle tracce di esecuzione di servizi MCP reali e di corpora aperti di agenti, applicando regole deterministiche anziché affidarsi al giudizio di un LLM, e raggruppa il grafo pesato risultante delle composizioni di strumenti in ambienti. I database vengono sintetizzati solo per gli ambienti che modificano lo stato, mentre gli strumenti di interrogazione e quelli senza stato riproducono i valori restituiti registrati. ToolSpace esegue quindi passeggiate casuali che tengono conto dello stato e prevedono il rollback, e decompila ogni catena in un compito in linguaggio naturale con verifiche basate su asserzioni, conservando solo i campioni che possono essere rieseguiti con successo dallo stato iniziale. Applicata ad AutomationBench e tau3-Bench Banking, la pipeline produce versioni Pro più difficili, sulle quali i punteggi di 7 modelli di punta calano fino a 38,2 punti. Nei sette benchmark di utilizzo degli strumenti su orizzonti lunghi, ToolSpace porta il punteggio medio di Qwen3.6-35B-A3B da 23,0 a 41,0 (43,2 con RL) e quello di GLM-5.2 da 44,6 a 56,6, alla pari con Claude Opus 5. Gli studi di ablazione mostrano che gli archi basati su evidenze di esecuzione superano nettamente quelli valutati da un LLM e che le prestazioni continuano a migliorare al crescere della quantità di dati e della scala degli ambienti.