# TRACER gör verktygsval snabbare för LLM-agenter

> Det nya TRACER-gränssnittet hjälper stora språkmodeller att välja verktyg med färre token och högre träffsäkerhet. I tester minskade tokenåtgången med 80%.

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

Forskare har lanserat TRACER, ett söksystem som hjälper agenter baserade på stora språkmodeller att välja rätt verktyg ur ett stort register. Systemet sparar tidigare sekvenser av verktygsanrop i ett trie, ett trädliknande index, och rangordnar möjliga nästa verktyg utifrån en kombination av datadrivna signaler och ledtrådar från sammanhanget. I experimenten gjorde TRACER att GPT‑5.4 valde rätt verktyg 4,7 procentenheter oftare, trots att modellen bara fick se 5 av 128 verktyg. Samtidigt minskade mängden indata-token per steg med omkring 80%.

## Hur mycket bättre presterar det?

I sex testmiljöer och med fyra språkmodeller slog TRACER metoden med hela verktygsregistret i 21 av 24 kombinationer av modell och miljö. Den genomsnittliga förbättringen i träffsäkerhet vid verktygsval låg på 6–10 procentenheter. I de tre fall där TRACER presterade sämre var skillnaden högst 2,2 procentenheter. I en autonom körning över en hel uppgift nådde systemet samma totala uppgiftsresultat som GPT‑5.4, men använde 61% färre indata-token per steg.

## Vad innebär det för användarna?

För utvecklare som bygger AI-assistenter som behöver anropa externa tjänster – till exempel för att kontrollera lagersaldo eller aktivera ett teleabonnemang – kan TRACER göra assistenten snabbare och billigare i drift, eftersom den skickar betydligt färre token till språkmodellen. Den lägre tokenmängden minskar också risken för att modellens kontextgräns nås när många verktyg finns tillgängliga.

## Fakta

- TRACER förbättrar GPT‑5.4:s träffsäkerhet vid verktygsval med 4,7 procentenheter i en kombinerad detaljhandels- och telekommiljö.
- Systemet minskar mängden indata-token per steg med omkring 80% genom att bara visa 5 av 128 verktyg.
- Vid autonom körning av en hel uppgift når systemet samma uppgiftsresultat, men använder 61% färre token per steg.
- I sex miljöer och med fyra modeller presterar TRACER bättre än urval från hela verktygsregistret i 21 av 24 kombinationer av modell och miljö.
- Den genomsnittliga förbättringen i träffsäkerhet är 6–10 procentenheter. I de tre fall där TRACER presterar sämre är skillnaden högst 2,2 procentenheter.

## Varför det spelar roll

Utvecklare kan bygga smartare assistenter som svarar snabbare och kostar mindre i drift, eftersom de behöver skicka färre token till språkmodellen. För slutanvändare kan det innebära snabbare svar när en AI-assistent behöver slå upp ett pris, boka en tjänst eller hämta information från ett externt system.

## Källor och referenser

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

Senast uppdaterad: 2026-10-16