Resumen: Los agentes de Large Language Model (LLM) se aplican cada vez más a tareas complejas de varios pasos que requieren interacción con diversas herramientas externas en varios dominios. Sin embargo, los métodos actuales de planificación de herramientas de agentes LLM generalmente se basan en estrategias de selección de herramientas reactivas y codiciosas que carecen de previsión y no tienen en cuenta las dependencias entre herramientas. En este artículo, presentamos ToolTree, un novedoso paradigma de planificación inspirado en la búsqueda de árboles de Monte Carlo para la planificación de herramientas. ToolTree explora posibles trayectorias de uso de herramientas utilizando una evaluación LLM de dos etapas y un mecanismo de poda bidireccional que permite al agente tomar decisiones informadas y adaptativas sobre secuencias extendidas de uso de herramientas mientras poda ramas menos prometedoras antes y después de la ejecución de la herramienta. Las evaluaciones empíricas de tareas de planificación de herramientas de conjunto abierto y cerrado en 4 puntos de referencia demuestran que ToolTree mejora constantemente el rendimiento manteniendo la mayor eficiencia, logrando una ganancia promedio de alrededor del 10% en comparación con el paradigma de planificación de última generación.
Publicado originalmente en export.arxiv.org el 15 de marzo de 2026.
Ver fuente original
