arXiv cs.AI· Wei-Xiang Mao, Zhi-Kai Chen, De-Chuan Zhan, Han-Jia Ye·· 9 天前AI 评分35
TaReD：面向长时程任务的工具感知递归分解
TaReD: Tool-Aware Recursive Decomposition for Long-Horizon Tasks
AI 导读
研究者提出 TaReD（工具感知递归分解），按功能关系将工具组织为能力层级，让智能体在执行中按需发现工具，并据此把复杂任务递归拆解为与各阶段能力对齐的子任务树。在复杂真实任务上，该方法端到端任务成功率较对比基线最高提升 40 个百分点，实现已在 GitHub 开源。
正文 · AI 翻译
摘要：智能体将推理与工具相结合，与外部系统交互并完成现实世界任务。早期智能体通常沿单一执行链交替进行推理与行动。在复杂任务上，这条链会变得不可靠，因为不断增长的历史记录会掩盖中间依赖关系，并使早期规划错误得以传播。将复杂任务递归分解为更小的子任务是一种自然的解决方案，但有效的分解必须考虑系统的能力，以便每个子任务都能由可用工具执行。然而在现实系统中，工具库可能过于庞大而无法完整展示。注入每个工具描述会消耗大量上下文，同时使相关工具更难检索，有用的任务边界也更难识别。我们提出工具感知递归分解，它按功能关系将工具组织为能力层级。在执行过程中，智能体按需发现工具，并利用该层级将复杂任务递归分解为子任务树，其各层级与每个阶段所需的能力对齐。在复杂现实世界任务上的实验表明，与所比较的基线相比，所提方法将端到端任务成功率最多提高 40 个百分点。TaReD 的实现已在 GitHub 上提供：this https URL。
| Comments: | 15 页，3 幅图，2 张表 |
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2610.11268 [cs.AI] |
| （或 arXiv:2610.11268v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11268 arXiv 颁发的 DOI 通过 DataCite（待注册） |
Submission history
来自：Wei-Xiang Mao [查看邮箱]
[v1]
2026 年 10 月 8 日星期四 05:25:14 UTC（6,937 KB）
来源：arXiv cs.AI · arxiv.org