پژوهشگرانی به سرپرستی Wei‑Xiang Mao روش TaReD را معرفی کردند؛ روشی برای تجزیه بازگشتیِ آگاه از ابزار که به عامل‌های هوش مصنوعیِ نیازمند استفاده از ابزارهای خارجی کمک می‌کند. این روش سلسله‌مراتبی از قابلیت‌های ابزارها می‌سازد و به عامل اجازه می‌دهد فقط در صورت نیاز ابزارها را پیدا کند. در آزمایش‌هایی روی وظایف واقعی و بلندمدت، TaReD در مقایسه با روش‌های پایه موجود، موفقیت کلی در انجام وظایف را تا 40 واحد درصد افزایش داد. کد این روش در GitHub منتشر شده و همه می‌توانند آن را امتحان کنند.
چرا مهم است
توسعه‌دهندگان دستیارهای هوش مصنوعی می‌توانند بدون بارگذاری هم‌زمانِ تعریف همه ابزارها، عملکرد قابل‌اعتمادتری در گردش‌کارهای پیچیده به دست آورند.
