动机

工具使用拓展了大模型的能力边界，但可靠的工具调用要求在推理深度与结构有效性之间取得平衡。不同查询需要的中间推理量不同，统一策略要么冗长低效，要么造成关键约束验证不足。同时，工具执行受严格的结构约束，传统强化学习仅提供粗粒度任务反馈，难以定位函数名、参数类型、约束违反等细粒度错误。现有工作将推理控制和执行优化视为独立问题，缺少根据历史执行经验联合校准两者的机制。

方法关键点

• 执行案例构建：将历史工具调用轨迹组织为结构化案例，包含查询、推理链、工具调用、执行结果及案例轮廓。
• 案例轮廓提取：从基模型的执行行为中自动推导复杂度轮廓（hardness score）和失败轮廓（记录函数名、参数键、类型、约束、值等维度错误）。
• 推理预算校准：利用复杂度轮廓控制长度惩罚强度，简单案例强惩罚避免过度推理，困难案例保留充足推理空间，使模型自主学会简洁或充分的思考链。
• 模式忠实工具优化：基于失败轮廓定义六维结构奖励（名称、键、类型、约束、值、精确匹配），提供密集可解释的归因信号，将自由推理转化为结构合规的工具动作。
• 训练流程：在SFT预热后，采用GRPO算法，将上述轮廓信号注入复合奖励（推理侧、格式侧、工具侧），并结合Easy-to-Hard课程策略稳定训练。

关键实验

在BFCLv2和ToolBench上评估，以Qwen2.5-7B-Instruct、Qwen2.5-Coder-7B-Instruct、Llama-3.2-8B-Instruct为骨干，对比SFT、GRPO及多个工具使用方法。CAST在Qwen2.5-7B-Instruct上BFCLv2总体执行准确率达88.43%（+5.85 vs SFT），平均推理长度减少26%（175.4 tokens vs 236.9）。在Qwen2.5-Coder-7B-Instruct上，Live执行提升至82.43%（+7.51）。ToolBench任务成功率同样显著提升（Pass 80.67%，Win 79.43%）。消融表明，联合校准两个轮廓才能获得最佳效果；复杂度轮廓使GRPO训练方差显著下降。

核心启示

历史执行案例不仅是监督样本，更是结构化的校准知识源——通过复杂度与失败轮廓，可以驱动LLM在工具使用中自适应地分配推理预算并严守调用规范。