연구진은 LLM의 도구 활용 성능 저하 원인을 지식 부족과 비효율적인 활성화로 지목하고, 지식 획득·활성화·내면화 단계를 체계적으로 연구했어요.
경험 기반 지식은 단순 인스턴스 수준에서도 성능 향상에 효과적이지만, 추상적 의도 기반 지식은 큰 도움이 되지 않는다는 결과가 나왔어요.
연구진은 지식 활용 프레임워크 KATE를 제안했는데, BFCL-V3와 AppWorld에서 기존 모델 대비 성능이 크게 향상됐어요.
KATE는 경험 기반 지식 통합, 추론 폭 확장, 지식 기반 학습을 결합하여 LLM 도구 활용 성능을 개선하는 방법이에요.