연구진은 LLM의 안정적인 도구 사용을 위해 'CAST'라는 사례 기반 프레임워크를 제시했어요. CAST는 과거 실행 경로를 구조화된 사례로 보고, 복잡성 프로필과 실패 프로필을 분석하여 최적의 추론 전략을 파악합니다. BFCLv2와 ToolBench 실험 결과, CAST는 도구 사용 성공률을 높이고 불필요한 추론 시간을 줄이는 데 기여했어요.
CAST는 사례 기반 신호 추출을 통해 모델이 강화 학습 과정에서 재사용 가능한 적응 지식을 내재화하도록 돕습니다. 이는 스키마 준수 실행과 작업 수준의 도구 사용 성공률을 향상시키는 데 효과적입니다.
실험 결과, CAST는 전체 실행 정확도를 최대 5.85% 향상시키고 평균 추론 길이를 26% 단축하여 구조적 오류를 줄이는 데 기여했습니다.