Tool-Planner: Dynamic Solution Tree Planning for Large Language Model with Tool Clustering

大型语言模型(LLMs)展示了卓越的推理能力，使它们能够解决各种复杂问题。最近，这种能力已经应用于工具学习范例。工具学习涉及提供工具使用示例及其相应功能，使LLMs能够制定计划并演示调用和执行每个工具的过程。LLMs可以解决它们无法独立完成的任务，从而增强它们在不同任务中的潜力。然而，这种方法面临两个关键挑战。首先，冗余的错误更正会导致不稳定的规划和长时间的执行时间。此外，在多个工具中设计正确的计划也是工具学习中的一个挑战。为了解决这些问题，我们提出了Tool-Planner，这是一个基于工具包的任务处理框架。Tool-Planner根据具有相同功能的API函数将工具分组成工具包，并允许LLMs跨各种工具包实现规划。当工具错误发生时，语言模型可以根据工具包重新选择和调整工具。实验证明，我们的方法在不同数据集上展示了高的通过率和胜率，并优化了GPT-4和Claude 3等模型的工具学习规划方案，展示了我们方法的潜力。

解决问题的框架：基于工具包的任务处理框架

提出了一种基于工具包的任务处理框架Tool-Planner，通过将API函数相同的工具分组为工具包，使LLMs能够在不同的工具包之间实现规划，从而优化工具学习的规划方案。

论文提出的Tool-Planner框架在不同数据集上展示了高的通过率和胜率，并且能够优化GPT-4和Claude 3等模型的工具学习规划方案。

与此相关的研究包括：《Large-scale Study of Curiosity-driven Learning》、《Learning to Learn without Forgetting by Maximizing Transfer and Minimizing Interference》等。