ToolTree: LLM-Agenten planen Tools mit Dual-Feedback-Monte-Carlo-Tree-Search

In der Welt der Künstlichen Intelligenz werden Large Language Model (LLM)-Agenten immer häufiger eingesetzt, um komplexe, mehrstufige Aufgaben zu lösen, die den Einsatz verschiedenster externer Werkzeuge erfordern. Traditionelle Planungsansätze für solche Agenten greifen meist auf gierige, reaktive Auswahlstrategien zurück, die keine langfristige Perspektive einnehmen und die Abhängigkeiten zwischen den Tools vernachlässigen.

ToolTree präsentiert ein neues Paradigma, das sich an der Monte-Carlo-Tree-Search-Methode orientiert. Durch eine zweistufige Bewertung der LLM-Ausgaben und ein bidirektionales Pruning vor und nach der Ausführung eines Tools kann der Agent informierte, adaptive Entscheidungen über lange Tool‑Sequenzen treffen. Diese Technik schneidet weniger vielversprechende Pfade frühzeitig ab und reduziert gleichzeitig die Rechenlast.

Die Leistung von ToolTree wurde an vier etablierten Benchmarks – sowohl in offenen als auch in geschlossenen Tool‑Planungsaufgaben – getestet. Die Ergebnisse zeigen, dass ToolTree die Performance im Vergleich zu aktuellen State‑of‑the‑Art-Methoden um durchschnittlich zehn Prozent steigert, während die Effizienz erhalten bleibt. Damit liefert ToolTree einen bedeutenden Fortschritt für die praktische Anwendung von LLM-Agenten in komplexen, toolbasierten Szenarien.