Appier SMITH登NeurIPS：AI Agent能自主打造與優化工具

以Agentic AI即服務（AaaS）為核心的AI原生公司Appier29日發表最新研究論文《大型語言模型代理之工具創建與使用聯合優化》，提出全新強化學習框架「SMITH」，讓AI同時學會「建立工具」與「正確使用工具」的能力，並讓工具透過實際解題成果不斷精進，回應「AI做得出工具，卻不一定用得好」的挑戰。

研究證實，經SMITH訓練的小型模型不僅能建立可重複使用的工具，面對從未見過的任務時，甚至能以更輕量的模型展現媲美大型模型建立工具的表現，並可跨模型、跨任務共享，大幅降低重複推理所需的Token成本。該論文成功入選國際權威 AI 會議 NeurIPS，再次印證Appier 在提升AI Agent 效率與推動多代理協作方面的研究實力，持續引領全球Agentic AI研究浪潮。

現有AI Agent多半依賴工程師預先建立API或工具，即使AI能自主建立工具，「建立」與「使用」也常由不同模型負責，難以根據實際使用結果判斷工具是否好用。

SMITH將兩項能力整合進同一個訓練循環，形成「建立、使用、驗證、優化」的閉環。當工具的功能描述不清、參數設計有誤或執行失敗，相關結果會成為模型的回饋，促使 AI持續改善工具。模型在訓練過程中只接觸工具說明與參數規格，而不直接查看背後程式碼，因此工具是否清楚、可靠且能被正確呼叫，都會直接反映在訓練成果中。

Appier AI團隊研究科學家林玠言表示，SMITH 不只讓模型學會建立工具，也讓工具能被其他模型使用，進一步形成可共享的AI工具庫，讓Agent不必面對每個新任務都重新推理與建立工具。

團隊針對SMITH採用由簡入難的訓練策略，先從四個案例中學習方法並建立工具，再以 16個訓練階段未見過、難度更高的問題進行驗證。只有能有效解決新任務的工具才會被保留，並納入共用工具庫；表現較差的工具則會被更有效的工具取代。

研究結果顯示，約40億參數的 SMITH 模型，在未見過的任務上所建立的工具，整體表現不僅優於其他比較方法，也超越約300億參數模型即時建立工具的基準，顯示建立高效工具不一定需要更大型的模型。

此外，SMITH建立的工具可跨模型使用。由小型模型建立的工具，即使交由約3.5億參數的輕量模型使用，仍能有效處理新任務，也能提升大型模型的表現，支援不同模型間的協作。

SMITH的另一項關鍵成果，是將原本需要反覆進行的推理過程轉化為可直接呼叫的工具。實驗顯示，平均輸出Token數從傳統逐步推理的3,206個降至約100個，效率提升約 32倍。AI面對相似任務時，不必每次重新展開完整推理，而能直接調用經過驗證的工具，在維持任務表現的同時降低推理成本，也為更高效、可規模化的多代理協作提供新的技術路徑。

這項研究為企業部署AgenticAI提供新的技術方向。從財務指標換算、資料處理、報表查詢、規則檢核，到客服流程判斷等日常營運的重複性工作，未來AI可望將分散在不同流程中的做法整理成經驗證的共用工具，供不同Agent調用，有效降低重複開發與推理成本。

在廣告與行銷場景，專責顧客數據、個人化行銷與客服、廣告投放的多代理，則能共享經驗證的工具與一致的商業規則，提升協作效率。面對新市場、新廣告主或資料有限的導入初期，企業也有望將既有成功經驗轉化為可驗證、可累積及可規模化的AI能力，加速 Agent 適應新任務。Appier將持續以前瞻研究推進Agentic AI技術落地，讓AI成為企業長期成長的核心能力。