# TRACER agiliza la selección de herramientas en agentes de IA

> El nuevo sistema TRACER permite a los modelos de lenguaje elegir herramientas con menos tokens y mayor precisión; en las pruebas, redujo el uso de tokens un 80%.

Oossa · 2026-10-16 · https://oossa.com/es/tracer-speeds-up-tool-selection-for-llm-agents

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.

## Los hechos

- TRACER mejora en 4,7 puntos la precisión de GPT‑5.4 al seleccionar herramientas en un entorno que combina comercio minorista y telecomunicaciones.
- Reduce cerca de un 80% los tokens de entrada por paso y muestra solo 5 de las 128 herramientas.
- En una ejecución autónoma de principio a fin, iguala el éxito en las tareas y usa un 61% menos de tokens por paso.
- En seis entornos y con cuatro modelos, TRACER supera la selección basada en el catálogo completo en 21 de las 24 combinaciones de modelo y entorno.
- La precisión mejora entre 6 y 10 puntos de media; en los tres casos desfavorables, la diferencia no supera los 2,2 puntos.

## 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.

## Fuentes y referencias

1. [TRACER: Trajectory-Aware Tool Retrieval for LLM Agents](https://arxiv.org/abs/2610.21267) – arXiv cs.IR, 2026-10-16

Última actualización: 2026-10-16