ToolTree 提升 LLM 工具規劃效率

💡MCTS 規劃提升 LLM 代理 10%—多工具任務關鍵（24字）

⚡ 30-Second TL;DR

有什麼變化

蒙地卡羅樹搜索工具使用軌跡

為什麼重要

以具前瞻規劃取代貪婪選擇，提升 LLM 代理處理複雜任務效率，無需額外運算。

下一步行動

從 arXiv:2603.12740v1 下載 ToolTree 程式碼，在您的代理設定中對 ReAct 進行基準測試。

誰應關注：Researchers & Academics

背景與延伸：來自公開資料，非原文內容。引用 2 個來源。

•ToolTree 在 GTA 基準上達到 66.95 F1 分數，在 ToolBench 上達到 69.04% 通過率，代表當前最先進的工具規劃性能[1][2]
•該方法整合工具選擇、執行、評估和剪枝直接進入蒙地卡羅樹搜索循環，而非依賴獨立規劃器，提高了架構效率[1]
•雙階段評估機制包括執行前輕量級預評估（基於工具卡、I/O 架構和參數草稿）和執行後的輸出評分，形成互補的引導信號[1]

•預評估階段：LLM 判斷器根據當前上下文、工具卡（包含 I/O 架構、領域標籤、示例）和架構有效的參數草稿來評分 r_pre(s,a)[1]
•後評估階段：對執行後的實際輸出進行評分，失敗情況附加類型化錯誤令牌以保持剪枝決策的顯式性[1]
•緩存機制：在單次回溯中緩存 (a, args) → o 映射以避免重複工具調用，集中回溯於既可能（per r_pre）又有用（per r_post）的分支[1]
•雙向剪枝：在工具執行前後進行剪枝，使代理能在擴展工具使用序列上做出知情的自適應決策[2]

蒙地卡羅樹搜索方法可能成為 LLM 代理工具規劃的標準範式

ToolTree 在多個基準上的 10% 平均性能提升和最先進的結果表明，相比貪心反應式策略，前瞻性搜索方法具有顯著優勢。

工具依賴建模將成為複雜多步驟任務中的關鍵差異化因素

ToolTree 明確處理工具間依賴關係，而當前方法缺乏這一能力，這在需要協調多個工具的實際應用中將變得越來越重要。

2026-03

ToolTree 在 ArXiv 發表，展示蒙地卡羅樹搜索驅動的 LLM 工具規劃方法

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #mcts

同產品

更多關於 tooltree

同來源

最新來自 ArXiv AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。