ART — автоматические рассуждения с инструментами

Решение: Детектив с гаджетами

ART (Automatic Reasoning and Tool-use, автоматическое рассуждение и использование инструментов) автоматически выбирает и комбинирует паттерны рассуждений с вызовами инструментов из библиотеки демонстраций. Это как детектив, который знает, когда думать, а когда взяться за гаджеты. Метод объединяет рассуждения Chain-of-Thought с вызовами инструментов (tool use), используя few-shot демонстрации, чтобы научить модель, когда какой ход уместен. Метод предложен в статье 2023 года «ART: Automatic multi-step Reasoning and Tool-use for large language models».

Как это работает

ART держит небольшую библиотеку задач из написанных людьми примеров. Каждый пример записан в структурном формате, где шаги рассуждений чередуются с явными вызовами инструментов, например [search]("...") или [calculate]("..."). Когда приходит новый вопрос, ART достаёт несколько демонстраций из похожих задач и вставляет их в промпт как шаблон. Дальше модель генерирует собственные рассуждения. Важный момент: как только она выдаёт вызов инструмента, генерация останавливается, внешний инструмент реально запускается, его результат вставляется обратно в контекст, и модель продолжает. То есть программа не выдумывает ответы за свои же вызовы — она рассуждает над настоящими результатами калькулятора, поискового индекса или исполнения кода.

Когда применять и на что смотреть

Бери ART для многошаговых задач, где чистое рассуждение ненадёжно: арифметика, поиск актуальных фактов, всё, что нужно сверять с внешним источником. Поскольку библиотека инструментов и формат разбора отделены от модели, добавить новый инструмент можно, написав одну-две демонстрации, а не переобучая модель — и человек может поправить демонстрацию, чтобы исправить системную ошибку. Главные минусы: задержка и стоимость (каждый вызов инструмента — это сетевой round-trip и повторный промпт), хрупкость, если модель выдаст некорректный вызов, который парсер не разберёт, и риск, что плохой результат поиска незаметно отравит всю цепочку. Конкретный пример: на вопрос «Сколько составляет 23% населения Франции?» обычная модель может угадать. ART вместо этого рассуждает «мне нужно население Франции», вызывает [search]("население Франции") → ~68 млн, затем вызывает [calculate]("0.23 * 68000000") → 15,64 млн и сообщает число, которое реально может обосновать.

Где это используется?

• Исследовательские задачи: Поиск, расчёты, затем синтез
• Анализ данных: Запросы к базам данных и рассуждения о результатах
• Сложные Q&A: Комбинация веб-поиска с логической дедукцией
• Мультимодальные задачи: Совместное использование зрения, кода и рассуждений

Попробуйте сами!

Используй интерактивный пример ниже, чтобы увидеть, как ART комбинирует chain-of-thought рассуждения с использованием инструментов для мощного решения проблем.