論文の概要: HyperAgent: Planning and Acting over Tool-Schema Hypergraphs for Tool-Use LLM Agents
- arxiv url: http://arxiv.org/abs/2608.02650v1
- Date: Fri, 31 Jul 2026 21:42:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:22.875871
- Title: HyperAgent: Planning and Acting over Tool-Schema Hypergraphs for Tool-Use LLM Agents
- Title（参考訳）: HyperAgent: ツール利用LDMエージェントのためのツールスキーマハイパーグラフの作成と処理
- Authors: Zian Zhai, Xingyu Tan, Gaowang Zou, Xiaoyang Wang, Wenjie Zhang,
- Abstract要約: 大きな言語モデル(LLM)エージェントは、複雑な現実世界のタスクを完了するために外部ツールに依存している。
暗黙の推論の限界と実際の実行環境の進化的な性質のため、信頼性の高いツール利用計画は依然として難しい。
- 参考スコア（独自算出の注目度）: 8.462939802909888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) agents increasingly rely on external tools to complete complex real-world tasks. However, reliable tool-use planning remains challenging due to the limitations of implicit reasoning and the evolving nature of real-world execution environments. Existing tool-use agents typically rely on LLMs to infer tool compositions from textual descriptions, which can lead to inefficient exploration and unreliable execution in complex tasks. To address these challenges, we model tool relations at the schema level and construct a directed Tool--Schema Hypergraph, in which tools are represented as hyperedges from their required input-schema nodes to their output-schema nodes. Furthermore, we propose HyperAgent, a Tool--Schema Hypergraph-guided framework for dynamic planning and execution. Given a task, HyperAgent first extracts a task-relevant tool context graph and uses it to guide the construction of a schema-aware Task DAG. During execution, HyperAgent dynamically realizes each subtask by constructing a state-conditioned tool support graph through deficit-oriented expansion, which identifies unresolved requirements and retrieves supporting producer tools according to the current agent state. Experiments on AppWorld demonstrate that HyperAgent improves task completion performance while reducing redundant API calls, LLM interactions, and token consumption compared with existing agent baselines.
- Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、複雑な現実世界のタスクを完了するために外部ツールに依存している。
しかし、暗黙の推論の限界と現実世界の実行環境の進化的な性質のため、信頼性の高いツール利用計画は依然として難しい。
既存のツール使用エージェントは、典型的には、テキスト記述からツール構成を推測するためにLLMに依存しており、複雑なタスクにおいて非効率な探索と信頼性の低い実行につながる可能性がある。
これらの課題に対処するため、我々はツール関係をスキーマレベルでモデル化し、ツール-Schema Hypergraphを構築し、ツールを必要な入力スキーマノードから出力スキーマノードまでハイパーエッジとして表現する。
さらに,動的計画と実行のためのツール-Schema Hypergraph誘導フレームワークであるHyperAgentを提案する。
タスクが与えられたら、HyperAgentはまずタスク関連ツールコンテキストグラフを抽出し、スキーマ対応のタスクDAGの構築をガイドする。
実行中、HyperAgentは障害指向拡張を通じて状態条件ツールサポートグラフを構築して各サブタスクを動的に実現し、未解決要件を特定し、現在のエージェント状態に応じてプロデューサツールを検索する。
AppWorldの実験では、HyperAgentは、既存のエージェントベースラインと比較して、冗長なAPI呼び出し、LLMインタラクション、トークン消費を削減しながら、タスク補完のパフォーマンスを改善している。
関連論文リスト
- SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。
Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。
我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2026-06-15T11:37:37Z) - GRAFT: Graph-Tokenized LLMs for Tool Planning [41.72670983284452]
大規模言語モデル(LLM)は、複数のステップで外部ツールを選択し調整することで、複雑なタスクを完了させるのにますます使われています。
これにより、ツール間の方向性の実行依存関係を満足しながら、サブタスクインテントとツールの選択を整合させる必要がある。
本稿では,依存認識ツール計画のためのグラフ学習言語モデルフレームワークであるGRAFTを提案する。
論文 参考訳（メタデータ） (2026-05-12T07:59:41Z) - Bidirectional Semantic Complementary Tool Retrieval for Remote Sensing Agents [14.603837941754483]
大規模言語モデル(LLM)に基づくエージェントは、リモートセンシング(RS)データの自動処理のための新しいパラダイムを提供する。
意味的非対称性」に直面する既存のツール検索手法
本稿では,双方向のセマンティック補完ツール検索手法を提案する。
論文 参考訳（メタデータ） (2026-04-29T14:07:19Z) - GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning [20.75113227786218]
グラフベースのエージェント計画(GAP)は、グラフベースの計画を通じてタスク間の依存関係を明示的にモデル化する新しいフレームワークである。
我々のアプローチは、複雑なタスクを依存性を意識したサブタスクグラフに分解する基礎モデルを訓練する。
この依存性を意識したオーケストレーションは、実行効率とタスクの正確性の両方で大幅に改善される。
論文 参考訳（メタデータ） (2025-10-29T09:35:55Z) - DeepAgent: A General Reasoning Agent with Scalable Toolsets [111.6384541877723]
DeepAgentは、自律的な思考、ツール発見、アクション実行を実行するエンドツーエンドのディープ推論エージェントである。
長期にわたる相互作用の課題に対処するために,過去の相互作用を構造化エピソード,動作,ツール記憶に圧縮する自律的メモリ折り畳み機構を導入する。
LLMシミュレートされたAPIを活用し、ツール呼び出しトークンにきめ細かいクレジットを割り当てるツールコールアドバンテージ属性を適用した、エンドツーエンドの強化学習戦略であるToolPOを開発した。
論文 参考訳（メタデータ） (2025-10-24T16:24:01Z) - FABRIC: Framework for Agent-Based Realistic Intelligence Creation [3.940391073007047]
大規模言語モデル(LLM)はエージェントとしてますます多くデプロイされ、目標を分解し、ツールを実行し、動的環境で結果を検証することが期待されている。
本稿では,LLMのみを用いたエージェントデータの統一化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-20T18:20:22Z) - NaviAgent: Bilevel Planning on Tool Navigation Graph for Large-Scale Orchestration [13.925896302382043]
大規模言語モデル(LLM)は、最近、外部ツールを呼び出すことによって関数呼び出しエージェントとして機能する機能を示した。
そこで我々は,タスクプランニングをツール実行からツールエコシステムのグラフベースモデリングを通じて分離するNaviAgentを提案する。
実験によると、NaviAgentはモデルとタスク間で最高のタスク成功率を達成し、TWMNを統合することで、複雑なタスクで最大17ポイントパフォーマンスが向上する。
論文 参考訳（メタデータ） (2025-06-24T10:39:07Z) - Planning, Creation, Usage: Benchmarking LLMs for Comprehensive Tool Utilization in Real-World Complex Scenarios [93.68764280953624]
UltraToolは、ツール利用におけるLarge Language Modelsの能力を改善し評価するために設計された、新しいベンチマークである。
現実の複雑さを強調し、効果的な問題解決のために正確で多段階の計画を必要とする。
UltraToolの重要な特徴は、ツールの使用前に発生する自然言語による計画の独立した評価である。
論文 参考訳（メタデータ） (2024-01-30T16:52:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。