본 논문은 대규모 언어 모델(LLM) 에이전트의 복잡한 작업 자동화에 있어, 특히 ReAct와 같이 반복적인 LLM 호출을 통해 도구를 선택하는 방식에서 발생하는 높은 추론 비용 문제를 해결하고자 한다. 이를 위해, 도구 사용의 관성(tool usage inertia)에 주목하여, 과거 에이전트 궤적을 기반으로 도구를 노드로 하고 전이 확률을 엣지로 하는 방향성 그래프(directed graph)를 구축하는 AutoTool 프레임워크를 제안한다. AutoTool은 이 그래프를 탐색하며 최소한의 LLM 호출로 도구와 파라미터를 효율적으로 선택하며, 파라미터 수준의 정보를 통합하여 입력 생성 능력을 향상시킨다. 다양한 에이전트 작업에 대한 실험 결과, AutoTool은 추론 비용을 최대 30%까지 감소시키면서 경쟁력 있는 작업 완료율을 유지하여, 추론 집약적인 프레임워크의 실용적이고 확장 가능한 개선을 제공한다.
