مقاله‌ی arXiv:2610.11268 · در صف خبرنامه
TaReD: Tool-Aware Recursive Decomposition for Long-Horizon Tasks
تجزیه‌ی بازگشتی آگاه از ابزار برای تسک‌های بلندمدت با کتابخانه‌های ابزار بزرگ
- تاریخ
- (۱۶ مهر ۱۴۰۵) 2026-10-08 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Wei-Xiang Mao, Zhi-Kai Chen, De-Chuan Zhan, Han-Jia Ye
- نهاد نویسنده‌ها
- National Key Laboratory for Novel Software Technology, Nanjing University; School of Artificial Intelligence, Nanjing University
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های اولیه استدلال و اقدام را روی یک زنجیره‌ی اجرای واحد در هم می‌آمیزند؛ در تسک‌های پیچیده تاریخچه‌ی رو به رشد وابستگی‌های میانی را پنهان می‌کند و خطاهای اولیه‌ی برنامه‌ریزی منتشر می‌شوند. تجزیه‌ی بازگشتی تسک به زیرتسک‌ها راه‌حل طبیعی است، اما باید توانایی‌های سیستم را در نظر بگیرد تا هر زیرتسک با ابزارهای موجود قابل اجرا باشد. در سیستم‌های واقعی کتابخانه‌ی ابزار ممکن است آن‌قدر بزرگ باشد که نتوان همه‌اش را نشان داد؛ تزریق توضیح همه‌ی ابزارها کانتکست زیادی مصرف می‌کند و پیدا کردن ابزار مرتبط را سخت‌تر می‌کند.
روش
روش TaReD ابزارها را بر اساس رابطه‌های کارکردی در یک سلسله‌مراتب توانایی سازمان می‌دهد. حین اجرا، ایجنت ابزارها را در صورت نیاز کشف می‌کند و از سلسله‌مراتب برای تجزیه‌ی بازگشتی تسک به یک درخت زیرتسک استفاده می‌کند که سطح‌هایش با توانایی‌های لازم در هر مرحله هم‌راستاست.
یافته‌ها
- روی تسک‌های پیچیده‌ی دنیای واقعی، نرخ موفقیت سرتاسری را تا ۴۰ واحد درصد نسبت به پایه‌های مقایسه‌شده بالا برد.
- مرزهای زیرتسک‌ها بدون نیاز به کانتکست کل کتابخانه با توانایی‌های موجود هم‌راستا شد.
محدودیت‌ها
نویسنده‌ها می‌گویند کشف سلسله‌مراتبی ابزار سربار دارد: پیمایش چند سطح توانایی ممکن است فراخوانی‌های بیشتر مدل و زمان اجرای بیشتر نسبت به انتخاب یک‌باره‌ی ابزار لازم داشته باشد؛ حافظه‌ی نهان ابزار این را کم می‌کند اما اطلاعات نگه‌داشته‌شده را زیاد می‌کند.
چرا مهم است
با رشد پروتکل‌هایی مثل MCP، ایجنت‌ها با هزاران ابزار روبه‌رو می‌شوند. سازمان دادن ابزارها به شکل سلسله‌مراتب توانایی، هم کانتکست را سبک نگه می‌دارد و هم تجزیه‌ی تسک را دقیق‌تر می‌کند.