Forschende haben TRACER vorgestellt, ein Abrufsystem, das Agenten auf Basis großer Sprachmodelle dabei hilft, aus einem umfangreichen Tool-Verzeichnis das passende Tool auszuwählen. Das System speichert frühere Tool-Aufrufsequenzen in einem Trie (einem baumartigen Index) und bewertet mögliche nächste Tools anhand einer Kombination aus datenbasierten Hinweisen und Kontextinformationen. In Experimenten wählte GPT‑5.4 mit TRACER das richtige Tool 4,7 Prozentpunkte häufiger aus – obwohl nur 5 von 128 Tools angezeigt wurden. Die Zahl der Eingabe-Tokens pro Schritt sank dadurch um rund 80 Prozent.
Wie viel besser ist die Leistung?
In sechs Testumgebungen und mit vier Sprachmodellen übertraf TRACER den Ansatz mit dem vollständigen Tool-Verzeichnis in 21 von 24 Kombinationen aus Modell und Umgebung. Die durchschnittliche Genauigkeit bei der Tool-Auswahl stieg um 6 bis 10 Prozentpunkte; in den drei Fällen mit schlechteren Ergebnissen betrug der Rückstand höchstens 2,2 Prozentpunkte. Bei einem vollständig autonomen Durchlauf über mehrere Schritte erreichte das System dieselbe Gesamtaufgabenquote wie GPT‑5.4 und benötigte pro Schritt 61 Prozent weniger Eingabe-Tokens.
Was das für Nutzer bedeutet
Für Entwickler, die KI-Assistenten bauen, die externe Dienste nutzen müssen – etwa um Lagerbestände zu prüfen oder einen Mobilfunktarif zu aktivieren –, kann TRACER die Assistenten schneller und günstiger im Betrieb machen, weil deutlich weniger Tokens an das Sprachmodell gesendet werden. Die geringere Tokenzahl verringert außerdem das Risiko, bei vielen verfügbaren Tools an die Kontextgrenzen des Modells zu stoßen.
Warum es wichtig ist
Entwickler können leistungsfähigere Assistenten bauen, die schneller reagieren und im Betrieb weniger kosten, weil sie weniger Tokens an das Sprachmodell senden müssen. Für Nutzer könnte das schnellere Antworten bedeuten, wenn eine KI einen Preis nachschlägt, einen Dienst bucht oder Daten aus einem externen System abruft.
