Агенты переписывают описания тулов для других агентов. Всегда было непонятно, зачем для того, чтобы один компьютер пообщался с другим, нужно столько людей посередине. Learning to Rewrite Tool Descriptions for Reliable LLM-Agent Tool Use __Ruocheng Guo, Kaiwen Dong, Xiang Gao, Kamalika Das__ Статья: https://arxiv.org/abs/2602.20426 Ревью: https://arxiviq.substack.com/p/learning-to-rewrite-tool-descriptions # TL;DR ЧТО сделали: Авторы представили Trace-Free+ (https://arxiv.org/abs/2602.20426) — фреймворк, который переводит ориентированную на людей документацию к API в оптимизированные для агентов описания тулов. Используя curriculum learning, система файнтюнит языковую модель переходить от сценариев с богатыми трейсами исполнения к инференсу на чистом тексте. Это позволяет генерировать качественные описания для совершенно новых тулов без необходимости собирать логи реального исполнения на этапе инференса (test-time). ПОЧЕМУ это важно: Опираться на логи исполнения (traces) методом проб и ошибок во время инференса часто невозможно при холодном старте или в условиях строгих ограничений приватности. Перенося всю тяжесть оптимизации на этап офлайн-компиляции, этот метод радикально снижает затраты на инференс, сохраняет приватность данных и отлично скейлится, даже когда агенту нужно выбирать из пула в более чем 100 кандидатов. Для практиков: Для разработчиков составных AI-систем (compound AI systems) и агентов, обращающихся к внешним тулам, качество среды — в частности, интерфейсов этих тулов — так же критично, как и способность самого агента к рассуждению. Статья показывает, что можно систематически переводить хрупкую, написанную людьми документацию к API в надёжные схемы с явно заданными ограничениями без накладных расходов на эксплорейшен во время инференса. Это открывает путь к парадигме, где экосистемы API заранее компилируются в нативный для агентов формат. Переписывать API тут: https://t.me/gonzo_ML_podcasts/2960