Apple сравнила два подхода к поиску инструментов для LLM-агентов
В исследовании Apple подход с предварительным планированием оказался эффективнее для многосоставных запросов, а поиск до планирования — для задач с одним инструментом. Авторы предлагают адаптивно выбирать стратегию по сложности запроса.
Apple опубликовала исследование архитектур обнаружения инструментов для LLM-агентов. В подходе Retrieve-then-Plan система сначала ищет похожие API по пользовательскому запросу, а в Plan-then-Retrieve языковая модель сперва создаёт абстрактные заготовки функций, которые становятся запросами к реестру. Оценка на ToolBench охватила 46 984 API в 50 категориях. Retrieve-then-Plan показал преимущество на запросах с одним инструментом, тогда как Plan-then-Retrieve оказался сильнее на многосоставных задачах. Этот переход сохранялся при бюджете поиска от k=1 до 20 и размерах реестра от 1 тысячи до 47 тысяч API. Обратная сторона Plan-then-Retrieve — дополнительный вызов обнаружения, который примерно удваивает стоимость вывода. Apple также описала ошибки, возникающие, когда модель придумывает правдоподобные, но несуществующие имена API. В качестве практического направления авторы предлагают маршрутизацию по сложности, используя уже доступный score первого результата поиска.
Почему это важно
Для агентных систем единая стратегия поиска инструментов не одинаково хорошо подходит для простых и составных задач. Результаты Apple указывают на компромисс между качеством поиска и стоимостью вывода и предлагают выбирать архитектуру до запуска полного сценария.
Источник: Apple Machine Learning Research · По данным страницы Apple Machine Learning Research с исследованием, опубликованным 15 октября 2026 года.