该研究提出了一种基于大型语言模型的闭环框架LATM，允许模型自创工具以解决复杂问题。通过ToolLLM框架，增强了自然语言模型的规划和推理能力。研究还介绍了Prompt2Model和ChainForge等工具，提升了模型性能并简化了API选择过程。最后，综述了LLMs工具学习的文献，探讨了其益处、工作流程及未来方向。
Prompt2Model是一个通过提示自动生成语言模型的方法，包括Prompt Parser、Dataset Retriever、Dataset Generator和Model Retriever几个部分。Prompt Parser使用LLM分割用户提示，非英语指令使用DeepL API转换为英语。Dataset Retriever通过DataFinder检索相关数据集，用户选择适合任务的数据集列。Dataset Generator使用自动提示工程生成不同的数据集，通过退火算法排名。Model Retriever使用encoder-decoder架构，查询模型描述搜索Hugging Face上的模型。作者过滤了大于3GB的模型，考虑了下载量对模型效果的影响。
prompt2model是一种通过提示自动生成语言模型的方法，包含Prompt Parser、Dataset Retriever、Dataset Generator和Model Retriever等部分。它利用上下文学习分割用户提示，检索相关数据集，并通过用户反馈优化选择。生成的数据集采用自动提示工程和共识输出过滤，Model Retriever则使用BM25算法根据用户指令检索模型。
本文介绍了一种名为Language Model Programming（LMP）的新方法，通过将纯文本提示扩展为文本提示和脚本的组合，并允许指定约束条件，以提高对下游任务的适应性。通过实现LMQL（Language Model Query Language）来支持LMP，并证明其在减少计算成本的同时保持或提高下游任务准确性。
完成下面两步后，将自动完成登录并继续当前操作。
