Chi lavora con agenti AI basati su LLM conosce bene il problema: ogni passo del piano richiede una chiamata al modello, i costi si moltiplicano rapidamente e il comportamento non è mai identico da un'esecuzione all'altra. Approcci come LATS o ReAct hanno aperto strade interessanti nella pianificazione multi-step, ma restano legati a questa dipendenza strutturale dai modelli linguistici.
Un gruppo di ricercatori ha pubblicato su arXiv un framework alternativo chiamato GATS, acronimo di Graph-Augmented Tree Search. L'idea centrale è separare nettamente la fase di apprendimento dalla fase di esecuzione: il modello impara a conoscere l'ambiente durante una fase preliminare, poi pianifica in autonomia senza più interpellare il LLM.
Il cuore tecnico è un modello del mondo strutturato su tre livelli. Il primo gestisce azioni note con corrispondenze simboliche esatte, il secondo sfrutta statistiche ricavate dai log di esecuzioni precedenti, il terzo ricorre al LLM solo per azioni mai viste prima. Una volta costruito questo modello, la ricerca sullo spazio delle decisioni avviene tramite un algoritmo UCB1, lo stesso meccanismo usato nei problemi di esplorazione-sfruttamento, senza ulteriori chiamate esterne.
I risultati nei test sono netti. Su scenari sintetici con percorsi ramificati e vicoli ciechi, GATS completa tutti i task con successo, mentre LATS si ferma al 92% e ReAct al 64%. Su una batteria più esigente di dodici scenari realistici — che includono flussi di lavoro per il coding, navigazione web e pianificazione a lungo termine — GATS mantiene il 100%, LATS scende all'88,9% e ReAct crolla al 23,9%.
Il dato forse più rilevante per chi ragiona in termini di costi operativi: LATS richiede mediamente 37 chiamate LLM per ogni task completato. GATS ne richiede zero in fase di pianificazione. E poiché il processo è deterministico, i risultati sono riproducibili, aspetto critico in contesti enterprise dove la prevedibilità del comportamento è spesso non negoziabile.
Naturalmente si tratta ancora di ricerca preliminare, testata su ambienti controllati. La vera sfida sarà verificare quanto il modello del mondo a tre livelli regga su domini aperti e in continua evoluzione, dove le azioni inedite sono la norma. Ma la direzione indicata è concreta: agenti più efficienti, meno costosi e più affidabili non sono necessariamente quelli che parlano di più con il LLM.
Punti chiave
- GATS elimina le chiamate LLM durante la pianificazione, riducendole da 37 per task a zero
- Tasso di successo del 100% su scenari complessi: coding, navigazione web, task a lungo orizzonte
- Il modello del mondo a tre livelli combina regole simboliche, statistiche apprese e predizioni LLM offline
Perché è importante
Per chi costruisce agenti AI in produzione, la variabilità e il costo computazionale delle chiamate LLM sono ostacoli reali. GATS dimostra che è possibile ottenere risultati superiori abbattendo entrambi i problemi simultaneamente.
A chi serve
Sviluppatori e team engineering che progettano sistemi agentici, CTO e decision-maker che valutano la scalabilità economica degli agenti AI in produzione.
Leggi la fonte originale ↗