GATS : Recherche par Arbre Augmenté par Graphe avec Modèles de Monde Couches pour une Planification Efficace des Agents

Les agents de Modèle de Langage Large (LLM) ont montré des promesses dans les tâches de planification en plusieurs étapes, mais les approches existantes comme LATS (Recherche d'Arbre d'Agent de Langage) et ReAct reposent fortement sur l'inférence LLM pendant la planification, ce qui entraîne des coûts computationnels élevés et un comportement stochastique. Nous présentons GATS (Recherche par Arbre Augmenté par Graphe), un cadre de planification qui combine une recherche systématique par arbre basée sur UCB1 avec un modèle de monde en couches pour éliminer les appels LLM pendant l'inférence tout en atteignant une performance de planification supérieure. Notre modèle de monde à trois couches intègre : (L1) un appariement d'actions symboliques exact, (L2) des statistiques apprises à partir de journaux d'exécution, et (L3) des prédictions basées sur LLM pour des actions inconnues. Sur des tâches de planification synthétiques avec des chemins de ramification et des impasses, GATS atteint un taux de succès de 100 % contre 92 % pour LATS et 64 % pour ReAct. Lors d'un test de résistance complet couvrant 12 scénarios difficiles incluant des flux de travail de codage, la navigation web et des tâches à long terme, GATS maintient un taux de succès de 100 %, tandis que LATS tombe à 88,9 % et ReAct à 23,9 %. GATS nécessite zéro appel LLM par tâche pendant la planification (contre 37 par tâche pour LATS) et produit des plans déterministes sans variance entre les essais. Nos résultats démontrent qu'une recherche systématique avec des modèles de monde appris peut surpasser largement l'exploration guidée par LLM pour la planification des agents.