Pesquisadores lançaram o TRACER, um sistema de recuperação que ajuda agentes baseados em grandes modelos de linguagem a escolher a ferramenta certa em um amplo catálogo. O sistema armazena sequências anteriores de chamadas a ferramentas em uma trie (estrutura de índice em forma de árvore) e classifica as possíveis ferramentas seguintes com base em dados e pistas contextuais. Nos experimentos, o TRACER aumentou em 4,7 pontos percentuais a frequência com que o GPT‑5.4 escolhia a ferramenta correta, mesmo exibindo apenas 5 das 128 ferramentas, e reduziu em cerca de 80% os tokens de entrada por etapa.
Quanto melhor é o desempenho?
Em seis ambientes de teste e com quatro modelos de linguagem, o TRACER superou a abordagem com o catálogo completo em 21 dos 24 pares de modelo e ambiente. O ganho médio na precisão da seleção de ferramentas variou de 6 a 10 pontos; nos três casos em que teve desempenho inferior, a diferença não passou de 2,2 pontos. Em uma execução autônoma completa, o sistema igualou o sucesso geral do GPT‑5.4 nas tarefas, usando 61% menos tokens de entrada por etapa.
O que isso significa para os usuários
Para desenvolvedores que criam assistentes de IA capazes de chamar serviços externos — como consultar o estoque ou ativar um plano de telecomunicações —, o TRACER pode tornar o assistente mais rápido e barato de operar, pois envia muito menos tokens ao modelo de linguagem. A redução na quantidade de tokens também diminui o risco de atingir os limites de contexto do modelo quando há muitas ferramentas disponíveis.
Por que importa
Desenvolvedores podem criar assistentes mais eficientes, que respondem mais rápido e custam menos para operar porque precisam enviar menos tokens ao modelo de linguagem. Para os usuários, isso pode significar respostas mais rápidas quando a IA precisa consultar um preço, reservar um serviço ou buscar dados em um sistema externo.
