HTAA: ハイブリッド・ツールセットのエージェント化と適応によるLLM計画の強化

Abstract

大規模言語モデルが何百ものツールを大規模に、かつ確実に利用できるようにすることは、実世界のアプリケーションにとって重要ですが、平坦なツール呼び出しアーキテクチャに固有の非効率性やエラーの蓄積のために困難です。これに対処するため、本研究では、スケーラブルなツール使用計画のための階層型フレームワークであるHybrid Toolset Agentization & Adaptation（HTAA）を提案します。頻繁に共使用されるツールを専門エージェント・ツールとしてカプセル化する新しいツールセットのエージェント化パラダイムを提案し、これによりプランナーの行動空間を削減し、冗長性を緩和します。効果的な協調を確実にするために、高レベルのプランナーとエージェント・ツールを、後方再構成と前方洗練によって整合させる、軌跡（トラジェクトリ）に基づく学習パラダイムであるAsymmetric Planner Adaptationを設計します。HTAAの性能を検証するために、中国最大のオンライン大規模配車（ライドヘイリング）プラットフォームにおけるPOI検証ワークフローに基づく、実世界の社内データセットInfoVerifyを用いて実験を行います。ここでは、長い時間軸を持つ実行可能なツール軌跡を特徴としています。InfoVerifyおよび広く使われているベンチマークでの実験結果から、HTAAは一貫してより高いタスク成功率を達成し、短いツール呼び出しの軌跡を必要とし、強力なベースラインと比べてコンテキストのオーバーヘッドを大幅に削減することが示されます。さらに、本番環境への導入では、HTAAが手作業による検証の労力と運用コストを大きく削減し、その実用的な有効性を示しています。