9 июля 2026 года исследователи Maureese Williams и Dymitr Nowicki опубликовали на arXiv статью о GATS (Graph-Augmented Tree Search) — фреймворке агентного планирования, который не делает ни одного вызова LLM во время выполнения задачи. На синтетических задачах с ветвлениями и тупиками GATS даёт 100% успех; LATS — 92%, ReAct — 64%. На комплексном стресс-тесте из 12 сложных сценариев (кодирование, навигация по вебу, долгосрочные задачи) GATS снова 100%, LATS падает до 88,9%, ReAct — до 23,9%. При этом GATS требует 0 вызовов LLM на задачу в фазе планирования против 37 вызовов у LATS.
Контекст
Современные LLM-агенты типа ReAct или LATS используют языковую модель как живой планировщик: на каждом шаге они спрашивают модель «что делать дальше?». Это дорого — десятки вызовов на одну задачу — и стохастично: один и тот же запрос при разных запусках даёт разные планы. LATS (Language Agent Tree Search) улучшил ReAct за счёт древовидного поиска, но принципиально не снял зависимость от LLM в цикле. GATS предлагает другой путь: сначала накопи знания об окружении, потом планируй без модели вовсе.
Фреймворк строится на трёхуровневой мировой модели. L1 — точное символьное сопоставление: если действие известно заранее, берём его без вопросов к модели. L2 — статистика, накопленная из логов прошлых выполнений: какие переходы вероятны, какие тупиковые. L3 — LLM-предсказание только для неизвестных действий, которые не покрыты слоями выше. Поверх этой модели работает UCB1-based tree search — алгоритм, хорошо известный по Monte Carlo Tree Search в играх, адаптированный здесь для агентного планирования.
Работа относится к нейросимволическому направлению: строгий алгоритм поиска + обученная модель мира вместо «умной модели, которую спрашивают при каждом шаге». Это не первая попытка такого рода, но заявленные цифры детерминизма и точности — среди наиболее убедительных в открытой литературе на середину 2026 года.
Аналитика
Главный сдвиг — смена роли LLM. Вместо «оракула, которого вызывают 37 раз за задачу», модель становится «учителем, который один раз обучил мировую модель». Вся логика выполнения уходит в детерминированный алгоритм — отсюда нулевая дисперсия результатов. Если вы видели, как агент на ReAct делает одно и то же задание по-разному при двух запусках, разрушая воспроизводимость — это ровно та проблема, которую GATS закрывает архитектурно.
Для AI-first бизнеса это принципиально меняет экономику. Сейчас каждый production-деплой агента означает постоянный счёт за LLM-inference в runtime. Если мировая модель покрывает большинство действий через L1/L2, inference-cost в продакшне падает до нуля или до редких L3-обращений. Чем больше исторических логов, тем богаче L2 — система становится дешевле с масштабом, а не дороже. Это инвертирует типичную кривую затрат агентных пайплайнов.
Слабое место архитектуры — cold start. Для нового домена L1 требует символьных описаний действий, L2 — накопленных логов. Пока их нет, система опирается на L3 (LLM), и преимущество сокращается. Это значит, что GATS наиболее ценен там, где домен действий фиксирован и повторяется: RPA, API-оркестрация, автоматизация бизнес-процессов с ограниченным набором операций.
Кейсы применения в бизнесе
B2B-SaaS стартап. Если ваш агент работает с фиксированным набором API-действий — создать задачу, отправить уведомление, обновить запись в CRM — L1 и L2 после нескольких тысяч запусков покроют подавляющее большинство сценариев. Inference-cost в runtime стремится к нулю. Вместо ежемесячного роста счёта за токены — разовое накопление данных при первых деплоях.
Корпорация с legacy-системами. GATS хорошо ложится на RPA-задачи с повторяющимися паттернами: выгрузка отчётов, согласование документов, заполнение форм в ERP. Символьный слой L1 фиксирует точные шаблоны, L2 учится на многолетних логах — данные уже есть в любой крупной компании. Результат: детерминированное выполнение без стохастики, понятное для аудита и compliance.
SMB и локальный бизнес в КР и СНГ. Ключевой барьер агентных систем для малого бизнеса — расходы на LLM при масштабировании. Подход GATS предлагает другую модель: платишь за обучение один раз, выполняешь дёшево. Для типовых операционных задач с ограниченным набором действий это реалистичный путь к автоматизации без постоянно растущего счёта.
Кейсы в личной жизни
Разработчик. Если вы строите агент для кодирования или автоматизации CI/CD — собирайте логи успешных и неуспешных выполнений с первого дня. Через несколько месяцев эти данные станут основой L2-слоя мировой модели. Это не абстракция: каждый запуск агента с логированием — инвестиция в будущий детерминизм.
Контент-мейкер и фрилансер. Повторяющийся пайплайн — публикация, рерайт под шаблон, генерация черновиков — отличный кандидат на замену LLM-в-цикле более дешёвым поиском. GATS-подобный подход снижает расходы на токены именно там, где задача рутинная и хорошо описана.
Студент или исследователь. GATS — хорошая отправная точка для понимания нейросимволических гибридов. UCB1 и MCTS — классика курсов по RL и поиску; совмещение с LLM-слоем L3 наглядно показывает, как академические алгоритмы возвращаются в AI-инженерию. Препринт написан доступно и воспроизводим.
Как применить сегодня
- Начните логировать каждый шаг вашего агента — эти данные станут основой L2-слоя мировой модели и сделают будущую систему дешевле.
- Посчитайте долю повторяющихся действий в ваших агентных логах. Если больше 70% — L1/L2 уже сейчас покрыли бы большинство случаев без LLM.
- Используйте LATS как отправную точку для реализации: GATS его расширяет через добавление мировой модели, а не строит с нуля.
- Прочитайте оригинальный препринт arXiv:2607.08894 — там подробно описана структура трёхуровневой модели и реализация UCB1-поиска.
- Следите за репозиторием авторов — код обычно появляется после принятия статьи в конференцию.