تعد وكلاء نماذج اللغة الكبيرة (LLM) جزءاً لا يتجزأ من تطوير الذكاء الاصطناعي، حيث يعتمدون على استدعاءات أدوات خارجية لأداء مهام متعددة المراحل. ومع ذلك، فإن الأطر الحالية تفترض أن استدعاءات الأدوات تعمل بطريقة ذرية وتعود بإشارات نجاح أو فشل ثنائية. في الواقع، تظهر الأنظمة الواقعية سلوكيات غير ذرية مثل انتهاء الوقت بعد الإرسال، والرؤية المتأخرة، والتحديثات الجزئية للحالة، مما يؤدي إلى مشاكل موثوقية تتضمن إجراءات مكررة، ونجاح المهام، وتنفيذاً غير ضروري للأدوات.

للتغلب على هذه التحديات، يقدم الباحثون غلاف أداة خفيف الوزن وحساس للتحقق، يعزز استدعاءات الأدوات من خلال التحقق من الشروط بعد التنفيذ، ومنطق التحقق قبل الإعادة، ومفاتيح عدم التأثير (idempotency keys). تم تقييم هذا الأسلوب في بيئة محاكاة خاضعة للتحكم مع إدخال حالات فشل غير ذرية عبر عدة نماذج مهام. أظهرت النتائج أن الطريقة المقترحة تقلل بشكل ملحوظ من الإجراءات المكررة، مع الحفاظ على معدلات نجاح مهام مماثلة.

تشير النتائج إلى أن تعزيز معايير تفاعل الأدوات يمثل اتجاهًا واعدًا لتحسين موثوقية وكلاء نماذج اللغة الكبيرة دون الحاجة إلى تعديلات على النموذج اللغوي الأساسي.