본 논문은 도구 정보를 활용하는 의미적 맥락(Semantic Context, SC)이 강력한 도구 오케스트레이션의 기본 구성 요소임을 보여줍니다. 세 가지 기여를 합니다. 첫째, 상황적 밴딧을 이용한 이론적 토대를 제공하고, SC-LinUCB를 제시하여 낮은 후회(regret)를 달성하고 동적인 행동 공간에 유리하게 적응함을 증명합니다. 둘째, 대규모 언어 모델을 이용한 병렬 실험적 검증을 통해 정적(효율적인 학습) 및 비정상적(강력한 적응) 설정에서 모두 SC가 문맥 내 학습에 중요함을 보여줍니다. 셋째, FiReAct 파이프라인을 제안하고, 10,000개 이상의 도구를 포함하는 벤치마크에서 SC 기반 검색을 통해 LLM이 큰 행동 공간에서 효과적으로 오케스트레이션을 수행함을 보여줍니다. 이러한 결과는 더욱 샘플 효율적이고, 적응적이며, 확장 가능한 오케스트레이션 에이전트를 구축하기 위한 포괄적인 가이드를 제공합니다.
