Un equipo de investigadores presentó TRACER, un sistema de recuperación que ayuda a los agentes basados en modelos de lenguaje grandes a elegir la herramienta adecuada de un amplio catálogo. El sistema guarda secuencias anteriores de llamadas a herramientas en un trie (un índice con estructura de árbol) y ordena las posibles herramientas siguientes combinando datos y pistas contextuales. En las pruebas, GPT‑5.4 eligió la herramienta correcta 4,7 puntos porcentuales más a menudo con TRACER, que solo mostraba 5 de las 128 herramientas y redujo cerca de un 80% los tokens de entrada por paso.
¿Cuánto mejora el rendimiento?
En seis entornos de prueba y con cuatro modelos de lenguaje, TRACER superó al método que presenta el catálogo completo en 21 de las 24 combinaciones de modelo y entorno. La precisión media al seleccionar herramientas aumentó entre 6 y 10 puntos; en los tres casos en que TRACER quedó por debajo, la diferencia no superó los 2,2 puntos. En una ejecución autónoma de principio a fin, el sistema igualó el éxito general de GPT‑5.4 en las tareas y utilizó un 61% menos de tokens de entrada por paso.
Qué significa para los usuarios
Para los desarrolladores que crean asistentes de IA capaces de usar servicios externos —por ejemplo, para consultar existencias o activar un plan de telefonía—, TRACER puede hacer que el asistente responda más rápido y cueste menos, porque envía muchos menos tokens al modelo de lenguaje. El menor número de tokens también reduce el riesgo de alcanzar los límites de contexto del modelo cuando hay muchas herramientas disponibles.
Por qué importa
Los desarrolladores pueden crear asistentes más eficaces, que responden más rápido y cuestan menos de operar porque envían menos tokens al modelo de lenguaje. Para los usuarios, esto podría traducirse en respuestas más rápidas cuando la IA consulta un precio, reserva un servicio o recupera datos de un sistema externo.
