در جست‌وجوی ابزارها، مدل‌های هوش مصنوعی برای کارهای چندمرحله‌ای از «برنامه‌ریزی پیش از بازیابی» سود می‌برند

عامل‌های مبتنی بر مدل‌های زبانی بزرگ برای اجرای درخواست‌ها باید ابزارهای مناسب را از میان فهرست‌های بزرگ API پیدا کنند؛ اما محدودیت پنجرهٔ متنی اجازه نمی‌دهد تعریف همهٔ ابزارها یک‌جا به مدل داده شود. پژوهشگران Apple دو روش را مقایسه کردند: در روش رایجِ «بازیابی، سپس برنامه‌ریزی» (RtP)، سامانه ابزارهای مشابه درخواست کاربر را پیدا می‌کند. در روش «برنامه‌ریزی، سپس بازیابی» (PtR)، مدل ابتدا امضاهای فرضی توابع موردنیاز را می‌سازد و از آن‌ها برای جست‌وجوی ابزارها استفاده می‌کند.

این ارزیابی روی ToolBench، با ۴۶٬۹۸۴ نقطهٔ پایانی API در ۵۰ دسته، انجام شد. RtP در درخواست‌های تک‌ابزاری بهتر عمل کرد، اما PtR برای درخواست‌های چندابزاری، چه درون یک دسته و چه میان دسته‌های مختلف، عملکرد بهتری داشت. این الگو در بودجه‌های بازیابی از ۱ تا ۲۰ ابزار، مجموعه‌هایی با ۱۰۰۰ تا ۴۷ هزار API و دو مدل Gemini 2.5 Flash و gpt-oss-120b دیده شد.

پژوهشگران یک محدودیت PtR را نیز بررسی کردند: مدل ممکن است نام‌های معقول اما ناموجود برای APIها بسازد. به گفتهٔ آن‌ها، این سازوکار در درخواست‌های ساده می‌تواند نشانه‌های خاصی در متن، مانند نام‌های خاص، را که RtP مستقیماً با آن‌ها تطبیق می‌دهد کنار بزند؛ اما در درخواست‌های پیچیده، به شکستن هدف چندبخشی به نیازهای جداگانه کمک می‌کند.

PtR یک فراخوانی اضافی برای کشف ابزارها دارد و هزینهٔ استنتاج را تقریباً دو برابر می‌کند؛ هزینه‌ای که در درخواست‌های چندابزاری جبران می‌شود، اما برای درخواست‌های تک‌ابزاری به‌صرفه نیست. پژوهشگران مسیری را برای ادامهٔ کار پیشنهاد می‌کنند: انتخاب تطبیقی روش بر اساس پیچیدگی درخواست، با استفاده از امتیاز بازیابی نخستین نتیجه در RtP؛ سیگنالی که از پیش در فرایند وجود دارد و هزینهٔ جداگانه‌ای ندارد.