For tool-heavy materials workflows, try adding candidate tool compression first

학습 없는 후보 압축 검색 · Training-free candidate compression for huge tool/skill libraries2026.11.02

Proposal AI suggestion

Application to materials research remains an unverified proposal.

This approach compresses thousands of tools or skills into only the top candidates that match the user request. Before the final LLM decision, it reduces the candidate set to improve speed and selection accuracy.

If the tool list in a materials laboratory has grown large, you can try an experiment that groups simulation codes, structure parsers, database query tools, plot generation scripts, and optimization routines into one skill library and then first extracts only the top candidates. This can reduce the problem of the agent becoming confused by too many choices.

At first, it is safer to start as a tool-selection recommender rather than full automation. For example, you can compress “For this question, which is appropriate: DFT calculation, XRD peak fitting, or literature search” down to only the top 3, and then validate a workflow in which a human makes the final choice.

Materials problem to try it on: 시뮬레이션, 파서, 데이터베이스, 분석 스크립트가 많은 재료 자동화 워크플로의 도구 선택 문제
Why it is worth trying now: 도구와 스킬 수가 수백~수만 개로 커진 에이전트 환경에서 후보 압축의 필요성이 분명해졌고, 학습 없이도 적용 가능한 방식이 제시되었습니다.
First step: 실험실에서 자주 쓰는 도구 30~50개를 모아 설명문을 작성한 뒤, 20개의 실제 작업 요청에 대해 top-3 도구 추천이 적절한지 사람이 평가해 보세요.
Risks and limits: 도구 설명이 부정확하거나 중복되면 후보 압축이 부실해질 수 있습니다. 매우 특수한 재료 작업에서는 상위 k에 정답 도구가 빠질 위험이 있고, 도구 메타데이터 정비 비용도 무시하기 어렵습니다.

Evidence Evidence from other fields

아래 링크는 이 기법이 다른 분야에서 통했다는 근거입니다. 소재 분야 적용 결과가 아닙니다.

Toollery: Scaling LLM Agents to Thousands of Skills and Tools

AI가 최신 기법을 조사해 제안한 방향입니다. 검증된 결과가 아니며, 시도 여부와 위험은 연구 책임자가 판단해야 합니다.

For tool-heavy materials workflows, try adding candidate tool compression first

Proposal AI suggestion

Evidence Evidence from other fields

Related concepts and practice