Проблема: «Слепой» поиск инструментов
Современные LLM-агенты часто терпят неудачу в сложных задачах из-за неэффективного планирования. Традиционные подходы заставляют модель интуитивно выводить состав инструментов из текстовых описаний, что приводит к избыточным вызовам API, ошибкам исполнения и высоким затратам. HyperAgent решает эту проблему, переводя взаимодействие с инструментами из плоскости текстового поиска в плоскость строгой графовой структуры.
Решение: Tool-Schema Hypergraph
Ключевая инновация HyperAgent — использование направленного гиперграфа схем инструментов (Tool-Schema Hypergraph). В этой модели:
- Узлы представляют собой схемы данных (входные и выходные параметры).
- Гиперребра — это сами инструменты, соединяющие требуемые входные схемы с генерируемыми выходными.
Такой подход позволяет агенту видеть не просто список доступных функций, а полную карту зависимостей данных, что исключает попытки вызвать инструмент с несовместимыми аргументами.
Механика работы: От DAG к динамическому выполнению
Процесс работы HyperAgent состоит из двух этапов:
- Планирование: Система извлекает контекст, релевантный задаче, и строит осознанный Task DAG (направленный ациклический граф), определяя порядок выполнения подзадач.
- Исполнение: На каждом шаге агент анализирует текущее состояние (state-conditioned tool support graph). Используя метод «expansion based on deficits» (расширение на основе дефицитов), он выявляет неразрешенные требования к данным и динамически подбирает инструменты-производители, необходимые для их получения.
Результаты: AppWorld Benchmark
Эксперименты проводились на платформе AppWorld, которая симулирует сложные реальные сценарии взаимодействия с приложениями. HyperAgent демонстрирует статистически значимое превосходство над базовыми моделями агентов. Основные метрики эффективности представлены ниже:
| Метрика | Влияние HyperAgent | Значение для бизнеса |
|---|---|---|
| Успешность задач (Task Completion) | Увеличение | Выше конверсия сложных сценариев |
| Избыточные вызовы API | Снижение | Меньше нагрузки на внешние сервисы |
| Взаимодействия с LLM | Снижение | Ускорение отклика системы |
| Потребление токенов | Снижение | Прямая экономия на стоимости inference |
Работа авторов (Zian Zhai, Xingyu Tan, Gaowang Zou, Xiaoyang Wang, Wenjie Zhang) показывает переход от «генерации текста» к «структурированному инженерному планированию» в области автономных агентов.
Источник: arXiv cs.AI ↗