摘要: 7月26日消息，斯坦福大學在今年上旬開源了一款名為 OctoTools 的 AI Agent。該工具能夠結合超過11種不同的工具，以應對復雜的推理任務。 據了解，傳統的A
7月26日消息，斯坦福大學在今年上旬開源了一款名為 OctoTools 的 AI Agent。該工具能夠結合超過11種不同的工具，以應對復雜的推理任務。
據了解，傳統的AI助手通常依賴于單一模型或有限的工具集，很難處理需要多步驟推理、特定領域知識或外部工具集成的復雜任務。例如，當解決視覺謎題時，需要精細圖像理解和基于文本的混合推理……
基于此，斯坦福開源了OctoTools，這是一個融合了11種不同工具專用于復雜推理的AI Agent。
研究人員在16個不同的任務(包括MathVista、MMLU-Pro、MedQA和GAIA-Text)上驗證了OctoTools的通用性，比GPT-4o的平均準確率提高了9.3%，這使得它能夠在數學、科學和醫學等復雜場景中輕松完成任務。
目前用戶可以通過 OctoTools 更好地解決視覺謎題或進行基于文本的推理，提升工作效率。
OctoTools技術原理：
工具卡片（Tool Cards）：工具卡片是 OctoTools 的核心組件之一，封裝了工具的元數據和功能。每個工具卡片定義了工具的輸入輸出格式、功能描述和調用方式。
規劃器（Planner）：規劃器基于語言模型，負責生成從全局視角的初步計劃。根據用戶查詢和可用工具，制定一個高層次的解決方案路徑。
執行器（Executor）：執行器將規劃器生成的文本指令轉換為可執行的命令，運行這些命令獲取中間結果。
多步推理過程：基于多步推理逐步解決問題。在每一步中，規劃器根據當前上下文生成新的行動指令，執行器執行指令獲取結果，然后更新上下文。
論文鏈接：https://arxiv.org/pdf/2502.11271
代碼鏈接：https://github.com/octotools/octotools
新教育 · 新觀察 · 新視點
