TopoPlanner: LLM-агенты учатся планировать через клеточные комплексы

Проблема существующих планировщиков

Современные LLM-агенты часто сталкиваются с ограничениями при работе со сложными рабочими процессами. Традиционные планировщики эффективно справляются с последовательными задачами или направленными ациклическими графами (DAG), но терпят неудачу при наличии циклов проверки-исправления, слияния сходящихся ветвей и необходимости управления переиспользуемыми промежуточными состояниями. Это критично для реального оркестрирования инструментов, где ошибки требуют итеративного исправления.

Решение: TopoPlanner и клеточные комплексы

Команда авторов (Sen Zhao, Jia Tang и др.) предложила метод TopoPlanner, который поднимает графы зависимостей инструментов на уровень клеточных рабочих комплексов (cellular workflow complexes). Этот подход позволяет LLM использовать топологически осознанный контекст. Процесс включает:

• Косежевое извлечение: Поиск подкомплекса, релевантного запросу, через cosheaf-consistent cellular retrieval.
• Многомерное структурное рассуждение: Анализ извлеченной топологии для понимания сложных связей.
• Генерация последовательности: Интерфейс между клеточным представлением и планировщиком LLM для создания точной последовательности вызовов инструментов.

Результаты бенчмарков

Эксперименты проводились на четырех бенчмарках для планирования инструментов. TopoPlanner демонстрирует стабильное превосходство над базовыми моделями (prompt-based) и графовыми улучшениями (graph-enhanced) на различных локальных бэкбонах LLM. Особенно заметен прирост в сценариях с топологически сложными структурами: циклами, слияниями и их комбинациями.

Значение для индустрии

Работа закладывает математический фундамент для более надежных автономных агентов. Переход от линейных графов к топологическим комплексам позволяет агентам «понимать» структуру задачи как единое целое, а не как набор разрозненных шагов, что снижает количество галлюцинаций и зацикливаний в сложных сценариях.

Источник: arXiv cs.AI ↗