Appier攻代理式AI新技術 小模型也能自己「造工具」

Appier表示，相關代理式AI技術未來可望應用於財務指標換算、資料處理、報表查詢、規則檢核及客服流程判斷等重複性工作。（資料照）

〔記者方韋傑／台北報導〕AI代理（AI Agent）不只會使用工具，也開始學會自己「造工具」，沛星（Appier，TSE:4180）今日表示，旗下最新研究論文獲國際AI會議NeurIPS接受，透過全新強化學習框架SMITH，讓AI能同步學習建立及使用工具；研究顯示，經SMITH訓練的約40億參數模型，在未見過的任務中，建立工具的整體表現甚至超越約300億參數級模型即時建立工具的基準。

Appier指出，隨著代理式AI（Agentic AI）開始自主處理更多企業流程，目前許多AI系統仍仰賴工程師預先開發應用程式介面（API）或設定固定工具，一旦資料來源、任務或商業需求改變，就需要重新開發；即使AI能自行建立工具，既有方法也常將工具「建立」與「使用」交由不同模型處理，使建立工具的AI難以從實際使用結果取得回饋。

為解決上述問題，Appier提出SMITH（Schema-grounded Multi-task Iterative Tool Honing）框架，將建立與使用工具放在同一訓練循環，讓AI同步學習如何建立工具及正確使用。當工具功能描述模糊、參數設計有誤或實際執行失敗，結果會再回饋給模型，透過「建立、使用、驗證、優化」的循環持續改善工具品質。

研究採取「由簡入難」方式訓練，先讓AI從4個簡單案例歸納方法並建立工具，再以16個訓練時未曾見過、難度更高的問題進行測試；只有能實際解決新問題的工具，才會被保留至多個AI Agent可使用的「共用工具庫」，效果較差的工具則會被更有效的工具取代，讓Agent面對新任務時，不必每次重新建立工具。

研究結果也顯示，工具具備跨模型使用能力。由約40億參數模型建立並驗證的工具，交由僅約3.5億參數的輕量模型使用後，仍能有效處理新任務，相同工具也能提升大型模型表現，使不同規模模型能共享已驗證的工具，支援多代理分工。

在推理效率方面，SMITH可將原本需要反覆進行的推理轉化為可直接呼叫的工具。實驗顯示，平均輸出Token數由傳統逐步推理的3206個降至約100個，效率提升約32倍；面對相似問題時，AI可直接使用已驗證工具，不必重新展開完整推理過程，在維持任務表現的同時降低運算成本。

Appier表示，相關技術未來可望應用於財務指標換算、資料處理、報表查詢、規則檢核及客服流程判斷等重複性工作，將不同流程中的做法轉化為可驗證、共享的工具；在廣告與行銷場景，也可讓負責顧客數據、個人化行銷、客服及廣告投放的多個Agent共享工具與商業規則，提升協作效率。

一手掌握經濟脈動 點我訂閱自由財經Youtube頻道

不用抽 不用搶 現在用APP看新聞 保證天天中獎 點我下載APP 按我看活動辦法