روشی برای برنامه‌ریزی عامل‌های هوش مصنوعی با تکیه بر قابلیت ابزارها

عامل‌های مبتنی بر مدل‌های زبانی بزرگ برای پاسخ‌گویی به درخواست‌های طبیعی اغلب باید چند ابزار، منبع داده یا عامل دیگر را به‌صورت وابسته به هم فراخوانی کنند. به‌گفتهٔ نویسندگان پیش‌چاپی در arXiv، انتخاب این فراخوانی‌ها معمولاً با آزمون‌وخطا انجام می‌شود و لزوماً به برنامه‌ای اجرایی نمی‌انجامد.

پژوهشگران روشی به نام Capability-Grounded Agentic Planning (CGAP) پیشنهاد کرده‌اند. این روش فهرست ابزارها را به‌شکل قطعی به یک مدل PDDL تبدیل می‌کند؛ سپس یک مدل زبانی درخواست را به هدف‌های برنامه‌ریزی بدل می‌سازد و یک برنامه‌ریز کلاسیک برای حل مدل به کار می‌رود.

از آنجا که خروجی ابزارها از پیش معلوم نیست، مدل به‌جای دنبال‌کردن مقادیر خروجی، در سطحی انتزاعی ثبت می‌کند که کدام ورودی‌ها در دسترس‌اند. هنگام اجرا نیز مدل زبانی فراخوانی‌های وابسته به موجودیت‌های مشخص را اضافه می‌کند؛ فراخوانی‌هایی که ممکن است در برنامهٔ انتزاعی نیامده باشند. اطلاعات موجود در چکیدهٔ منبع دربارهٔ ادامهٔ سازوکار اجرا و ارزیابی روش کامل نیست.