ToolTree: 二重フィードバックモンテカルロ木探索と双方向プルーニングによる効率的なLLMエージェントのツール計画

概要: 大規模言語モデル（LLM）エージェントは、さまざまな分野にまたがる多様な外部ツールとの相互作用を必要とする、複雑で多段階のタスクに対する適用が進んでいます。しかし、現在のLLMエージェントのツール計画手法は、前もっての予見性がなく、ツール間の依存関係を考慮せず、貪欲で反応的なツール選択戦略に依存することが多いです。本論文では、ツール計画のための新規なモンテカルロ木探索に触発された計画パラダイムである ToolTree を提案します。ToolTree は、二段階のLLM評価と双方向の剪定メカニズムを用いて、ツール使用の可能な軌跡を探索します。これにより、エージェントはツールの実行前後の枝を削減しつつ、長期にわたるツール使用シーケンスに対して情報に基づく適応的な意思決定を行えるようになります。4つのベンチマークにおけるオープンセットおよびクローズドセットのツール計画タスクに対する実証的評価は、ToolTree が一貫して性能を向上させつつ最高の効率を維持することを示しており、最先端の計画パラダイムと比較して平均で約10%の改善を達成しています。