大型语言模型在各种自然语言处理任务上取得了令人印象深刻的few-shot结果，并展示了一些涌现能力。然而，所有这些模型都有一些固有的限制，这些限制最多只能通过进一步扩展来部分解决。这些限制包括无法获取最近事件的最新信息和相关的幻觉倾向，理解低资源语言的困难，缺乏进行精确计算的数学技能以及对时间进程的不了解。克服当今语言模型的这些限制的一个简单方法是赋予它们使用外部工具(如搜索引擎、计算器或日历)的

本文对工具学习进行了系统的研究和全面的综述。首先介绍了工具学习的背景，包括它的认知起源，基础模型的范式转换，以及工具和模型的互补作用。总结已有的工具学习研究，提出了一个通用的工具学习框架:模型理解用户指令出发，学会将复杂的任务分解为若干个子任务，通过推理动态调整其计划，并通过选择合适的工具有效征服每个子任务。讨论如何训练模型以提高工具的使用能力，并促进工具学习的泛化。考虑到之前的工作缺乏系统的工具