在现实任务中，智能体需要将推理与外部工具结合，以完成复杂的真实世界任务。早期的智能体往往在单一执行链上交替进行推理和动作，但随着任务长度增长，历史记录变得冗长，导致中间依赖难以追踪，早期规划错误会向后传播，可靠性下降。\ \ 递归地将复杂任务拆解为更小的子任务是一种自然的解决思路，但有效的拆解必须考虑系统所拥有的工具能力，确保每个子任务都能被可用工具执行。实际系统中，工具库往往非常庞大，完整暴露所有工具描述会占用大量上下文，使得检索相关工具和识别合适的任务边界变得困难。\ \ 我们提出了 工具感知递归拆解（tool-aware recursive decomposition），其核心思想是依据功能关系将工具组织成层次化的能力结构。在执行过程中，智能体按需发现工具，并利用该层次结构递归地将复杂任务分解为子任务树，树的每一层对应当前阶段所需的能力。实验在多个真实世界的长时程任务上进行，结果显示该方法相较于基线提升了最高 40% 的端到端成功率。实现代码已开源于 GitHub： https://github.com/WeiXiang-Mao/TaReD。\ \ 点评