机器学习作为工具（MLAT）：一种在LLM代理工作流中将统计机器学习模型作为可调用工具集成的框架

本文提出了一种名为Machine Learning as a Tool（MLAT）的设计模式，该模式将预训练的统计机器学习模型作为可调用工具集成到大型语言模型（LLM）代理的工作流程中。这使得协调代理能够在需要时调用定量预测并根据上下文对其输出进行推理。与传统将机器学习推断视为静态预处理步骤的流水线不同，MLAT将模型作为与网络搜索、数据库查询和API同等重要的工具，使LLM能够基于对话上下文决定何时以及如何使用它。为验证MLAT，我们提出了PitchCraft系统，该系统通过ML预测定价将发现电话录音转换为专业提案。系统使用两个代理：一个用于通过并行工具调用收集潜在客户信息，另一个用于调用XGBoost定价模型并生成完整提案。定价模型在70个结合真实数据和人工验证合成数据的示例上训练，在保留数据上的R²值为0.807，平均绝对误差为3688美元。该系统将提案生成时间从数小时缩短至不到10分钟。