論文の概要: TaReD: Tool-Aware Recursive Decomposition for Long-Horizon Tasks

• arxiv url: http://arxiv.org/abs/2610.11268v1
• Date: Thu, 08 Oct 2026 05:25:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 11:59:33.735836
• Title: TaReD: Tool-Aware Recursive Decomposition for Long-Horizon Tasks
• Title（参考訳）: TaReD: 長距離タスクに対するツール対応再帰分解
• Abstract要約: エージェントは推論と外部システムと対話し、現実世界のタスクを完了するためのツールを組み合わせる。 機能的関係によってツールを階層構造に整理するツール認識分解を提案する。 実験の結果,提案手法は,比較ベースラインよりも最大40ポイント向上できることがわかった。
• 参考スコア（独自算出の注目度）: 84.95922754288466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agents combine reasoning with tools to interact with external systems and complete real-world tasks. Early agents typically interleave reasoning and actions along a single execution chain. On complex tasks, this chain becomes unreliable because growing histories obscure intermediate dependencies and allow early planning errors to propagate. Recursively decomposing a complex task into smaller subtasks offers a natural solution, yet effective decomposition must account for the system's capabilities so that each subtask can be executed by the available tools. In realistic systems, however, tool libraries can be too large to expose in full. Injecting every tool description consumes substantial context while making relevant tools harder to retrieve and useful task boundaries harder to identify. We propose tool-aware recursive decomposition, which organizes tools by functional relationships into a hierarchy of capabilities. During execution, the agent discovers tools on demand and uses the hierarchy to recursively decompose a complex task into a subtask tree whose levels are aligned with the capabilities required at each stage. Experiments on complex real-world tasks show that the proposed method improves end-to-end task success rate by up to 40 percentage points over the compared baselines. The implementation of TaReD is available on GitHub: https://github.com/WeiXiang-Mao/TaReD.
• Abstract（参考訳）: エージェントは推論と外部システムと対話し、現実世界のタスクを完了するためのツールを組み合わせる。 初期エージェントは通常、単一の実行チェーンに沿って推論とアクションをインターリーブする。 複雑なタスクにおいて、この連鎖は、履歴があいまいな中間的依存関係を成長させ、早期計画エラーを伝播させるため、信頼性がなくなる。 複雑なタスクを小さなサブタスクに再帰的に分解することは、自然な解決策を提供するが、有効な分解は、各サブタスクが利用可能なツールによって実行されるように、システムの能力を考慮する必要がある。 しかし、現実的なシステムでは、ツールライブラリが大きすぎて完全に公開できない。 すべてのツール記述をインジェクションすることは、重要なコンテキストを消費し、関連するツールを検索しにくくし、有用なタスク境界を識別しにくくする。 本稿では,機能的関係によるツールを機能階層に整理するツール対応再帰分解を提案する。 実行中、エージェントはオンデマンドのツールを発見し、階層構造を使って複雑なタスクを各ステージに必要な機能に合わせたサブタスクツリーに再帰的に分解する。 実世界の複雑なタスクに対する実験により,提案手法は,比較ベースラインに対して最大40ポイント向上することを示した。 TaReDの実装はGitHubで公開されている。

関連論文リスト

• HyperAgent: Planning and Acting over Tool-Schema Hypergraphs for Tool-Use LLM Agents [8.462939802909888]
  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。
  論文  参考訳（メタデータ） (2026-07-31T21:42:35Z)
• AsyncTool: Evaluating the Asynchronous Function Calling Capability under Multi-Task Scenarios [33.202154532105396]
  大言語モデル(LLM)ベースのエージェントは、複雑なタスクを解決するために外部ツールを使用することで、強力な能力を示している。 現実世界のアプリケーションでは、複数のタスクを同時に実行する必要があり、全体的な効率性は、ツールのレスポンスを待っている間にエージェントがアイドルタイムを使えるかどうかに依存する。 我々は,対話型マルチタスクツール使用環境におけるLLMベースのエージェントを遅延ツールフィードバックで評価するためのベンチマークであるAsyncToolを提案する。
  論文  参考訳（メタデータ） (2026-05-27T05:36:35Z)
• 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)
• ToolLibGen: Scalable Automatic Tool Creation and Aggregation for LLM Reasoning [80.10274552177096]
  外部ツールを備えたLarge Language Models (LLM) は、複雑な推論タスクにおけるパフォーマンスの向上を実証している。 このツールに強化された推論が広く採用されるのは、ドメイン固有のツールが不足しているためである。 構造化ツールライブラリに非構造化ツールのコレクションを自動的に組み込むための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-09T04:11:16Z)
• 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)
• ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
  我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。 フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-10-26T21:57:21Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)

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。