隨著AI代理人開始自主處理企業流程，能否正確呼叫外部工具成為落地關鍵。目前業界多仰賴工程師預先開發API，一旦商業需求改變就得重新作業；即使AI能自建工具，過往方法也常將「建立」與「使用」交由不同模型處理，導致建立工具的AI難以從實際結果中獲得優化回饋。
Appier表示，SMITH框架打破了這項限制，將兩項能力放入同一個訓練閉環中，Appier AI團隊研究科學家林玠言指出，SMITH在訓練模型使用工具時，僅提供工具說明與參數規格，不讓模型接觸背後的程式碼。透過「建立、使用、驗證、優化」的循環，工具說明是否清楚、能否被正確呼叫，都直接成為訓練過程中的回饋依據。訓練策略上更採取「由簡入難」，先讓AI從簡單案例歸納出工具，再用未見過的困難問題進行壓力測試。唯有成功解決新任務的工具，才會被收錄至「共用工具庫」，讓Agent未來不必每遇新任務就重新摸索。
這項研究也帶來顛覆現有AI框架的三項具體成果。首先是小模型算力的逆襲，經SMITH訓練的約40億參數模型，在面對未見過的新任務時，建立工具的整體表現甚至超越了300億參數級的大型模型，證明高效工具的建立不必完全依賴龐大算力。其次，經驗證的工具實現了跨模型的彈性協作，由小型模型產出的工具，無論是交給僅約3.5億參數的輕量模型，或是大型模型使用，都能有效提升解題表現，支援更靈活的多代理分工。最關鍵的是大幅降低推論成本，SMITH將反覆的推論過程轉化為可直接呼叫的工具，使任務平均消耗的Token數從3,206個大幅壓縮至約100個，效率激增約32倍。
Appier執行長暨共同創辦人游直翰表示，人類會把解決問題的經驗化為工具，讓下一次不必重新開始，AI Agent也正朝這個方向演進。這項技術未來落地後，將為企業處理財務換算、資料查詢與規則檢核等重複性營運工作。在Appier的主力戰場數位行銷上，專責顧客數據與廣告投放的不同Agent，將能共享同一套商業規則與工具庫，有效降低重複開發成本，並協助企業在數據有限的導入初期，快速將成功經驗規模化，加速適應新市場。
