Agenty AI oparte na dużych modelach językowych doskonale radzą sobie z długotrwałymi zadaniami, ale tradycyjnie są trenowane na stałych zestawach narzędzi. Kiedy pojawia się potrzeba integracji nowych narzędzi, agenty mają problemy z ich efektywnym wykorzystaniem, a ponowne trenowanie od podstaw jest często niepraktyczne.
Team z arXiv zidentyfikował główną przeszkodę w rozszerzaniu zestawów narzędzi jako "behawioralną inercję" - skłonność agentów do powracania do znanych narzędzi i utrwalonych schematów rozumowania, nawet gdy mają dostęp do nowych opcji. Kluczowym odkryciem jest, że wprowadzenie kontekstu konterfaktycznego w krytycznych punktach decyzyjnych może przełamać tę inercję i przywrócić trajektorie zadań, które się nie powiodły, poprzez aktywację ukrytych możliwości agenta.
Proponowany framework ToolAnchor wykorzystuje modele nauczycielskie do hipotezowania tych kontekstów konterfaktycznych, weryfikuje je poprzez rollouts studentów i internalizuje udane interwencje przez agentic post-training. Badania na benchmarkach GAIA, BrowseComp oraz VDR-Bench wykazały, że ToolAnchor konsekwentnie osiąga konkurencyjne wyniki przy rozszerzonych zestawach narzędzi. Praca pokazuje nowy kierunek dla skalowalnego reinforcement learningiem agentów, łącząc statyczne post-training z dynamiczną adaptacją.