TaReD：基于工具能力层级递归拆解长程任务

代理将推理与工具相结合，与外部系统交互并完成现实世界的任务。早期的智能体通常沿着单个执行链交错推理和动作。在复杂的任务中，这条链变得不可靠，因为不断增长的历史掩盖了中间依赖关系，并允许早期计划错误传播。将复杂任务递归地分解为更小的子任务提供了一种自然的解决方案，但有效的分解必须考虑系统的功能，以便每个子任务都可以由可用的工具执行。然而，在现实系统中，工具库可能太大而无法完全公开。注入每个工具描述会消耗大量上下文，同时使相关工具更难检索，有用的任务边界更难识别。我们提出了工具感知递归分解，它按功能关系将工具组织成功能层次结构。在执行过程中，代理会按需发现工具，并使用层次结构将复杂任务递归分解为子任务树，子任务树的级别与 每个阶段所需的能力。对复杂现实世界任务的实验表明，所提出的方法将端到端任务成功率比基线提高了 40 个百分点。 TaReD 的实现可在 GitHub 上找到：https://github.com/WeiXiang-Mao/TaReD.