论文
ToolTree：基于双反馈蒙特卡洛树搜索与双向剪枝的高效LLM智能体工具规划
ToolTree: Efficient LLM Agent Tool Planning via Dual-Feedback Monte Carlo Tree Search and Bidirectional Pruning
摘要
大语言模型（LLM）智能体正日益被应用于需要跨领域与多样外部工具交互的复杂多步任务。然而，当前的LLM智能体工具规划方法通常依赖贪心、被动式的工具选择策略，缺乏前瞻性，也无法顾及工具间依赖。本文提出ToolTree，一种受蒙特卡洛树搜索启发的新型工具规划范式。ToolTree利用双阶段LLM评估与双向剪枝机制探索可能的工具使用轨迹，使智能体能在较长的工具使用序列上做出知情的自适应决策，并在工具执行前后剪除前景较差的分支。在4个基准上跨开集与闭集工具规划任务的实证评估表明，ToolTree在保持最高效率的同时持续提升性能，较最先进规划范式平均提升约10%。
