Фреймворк GATS (Graph-Augmented Tree Search) опубликован на arXiv 9 июля 2026 года — авторы Мариз Уильямс и Димитри Новицки. Главное заявление: во время инференса агент делает ноль вызовов LLM и при этом достигает 100% успеха на сложных многошаговых задачах — кодинг-воркфлоу, веб-навигация, long-horizon планирование. Для сравнения: LATS при тех же условиях делает 37 вызовов LLM на задачу и показывает 88,9%, ReAct — 23,9%.
Контекст
Два самых популярных подхода к агентному планированию — LATS (Language Agent Tree Search) и ReAct. Оба строятся на одной логике: LLM выступает оракулом на каждом шаге. LATS применяет древовидный поиск, но всё равно требует в среднем 37 LLM-вызовов на задачу. ReAct вообще не планирует — реагирует шаг за шагом. Оба подхода стохастичны: каждый прогон может дать другой результат.
GATS меняет архитектурную логику. Вместо того чтобы спрашивать LLM «что делать дальше», фреймворк строит слоистую world model — модель мира, предсказывающую результаты действий без обращения к LLM. Поиск ведётся через UCB1-алгоритм (классика из Monte Carlo Tree Search). LLM участвует только в обучении world model, не в реальном планировании.
World model состоит из трёх слоёв: L1 — точное символьное сопоставление (известное действие → готовый ответ без вычислений), L2 — статистики из логов прошлых выполнений, L3 — LLM-предсказание только для совсем незнакомых действий. Чем больше накопленного опыта, тем реже нужен L3 и тем дешевле работает агент.
«Наши результаты показывают, что систематический поиск с обученными world model существенно превосходит LLM-guided exploration в задачах агентного планирования» — авторы GATS
Аналитика
Цифры жёсткие. На синтетических задачах с ветвлением и тупиками: GATS — 100%, LATS — 92%, ReAct — 64%. На стресс-тесте из 12 сценариев: GATS — 100%, LATS — 88,9%, ReAct — 23,9%. Дисперсия у GATS нулевая — каждый прогон даёт идентичный детерминированный результат. У LLM-агентов такой гарантии нет по природе.
Для AI-first бизнеса это критично с двух сторон. Первая — стоимость: 37 вызовов LLM на задачу при сотнях задач в час делает агентную автоматизацию дорогой и плохо масштабируемой. GATS предлагает архитектуру, где inference-расходы близки к нулю после начального обучения. Вторая — предсказуемость: стохастика LLM ценна для творческих задач, но в planning-слое это проблема. Детерминированный план — то, что нужно для compliance, финансовых и регулируемых систем.
Более широкий тренд: индустрия начинает разделять задачи, где LLM незаменим (понимание языка, генерация, творчество), и задачи, где он использовался по инерции (планирование, роутинг, принятие решений по известным паттернам). GATS — один из первых чётких примеров, что второй класс задач решается лучше и дешевле через классические алгоритмы поиска с обученной моделью мира. Это не «конец LLM» — это зрелость стека.
Кейсы применения в бизнесе
B2B SaaS стартап с агентными воркфлоу. Если продукт включает автоматизацию многошаговых процессов — парсинг, обработка данных, CRM-апдейты, рассылки — замена LLM-планировщика на world model с L1/L2-слоями напрямую снижает стоимость inference. Шаги: накопить логи выполнения, обучить статистическую модель на парах (действие → типичный результат), реализовать UCB1-поиск. Эффект — кратное снижение LLM-расходов без потери качества или даже с улучшением стабильности.
Корпорация с legacy-системами. L2-слой world model обучается на логах выполнения — а у зрелой компании эти логи уже есть годами. ERP, CRM, документооборот — идеальное сырьё для модели, которая предсказывает результаты не из LLM, а из реальной истории процессов. Это точнее: агент учится на реальных исходах конкретной компании, а не на обобщённых знаниях общей языковой модели.
SMB и локальный бизнес в КР/СНГ. Главный барьер к агентной автоматизации для небольших компаний — стоимость LLM-вызовов при росте нагрузки. GATS открывает сценарий: начальное обучение world model делается один раз (с LLM, дорого), дальше агент работает на собственной модели без дополнительных расходов на inference. Как нанять консультанта один раз и затем использовать его методологию внутри команды без его дальнейшего участия.
Кейсы в личной жизни
Разработчик, строящий агентов. Если делаешь агента для повторяющихся задач — кодинг-воркфлоу, автотесты, деплой-пайплайны — архитектура GATS прямо применима. Ключевая идея: разделить фазу обучения (с LLM) и фазу инференса (без LLM). Даже простая реализация L1+L2 из собственных логов сделает агента быстрее и дешевле без деградации качества.
Контент-мейкер с автоматизированным пайплайном. Если есть повторяющиеся шаги — сбор, обработка, публикация — можно построить мини-world model: какие шаги обычно следуют друг за другом, где возникают ошибки, что срабатывает стабильно. Начать можно без ML — с простых правил и статистик из таблицы логов в CSV.
Студент или исследователь в AI. GATS — сильный учебный проект на пересечении classic search (UCB1, MCTS) и современных LLM-агентов. Реализовать минимальный прототип реально за несколько дней. Это строит понимание, где LLM действительно нужен, а где его заменяет более дешёвый и предсказуемый компонент — и это понимание стоит дорого на рынке труда.
Как применить сегодня
- Найди препринт по запросу «GATS Graph-Augmented Tree Search 2026» на arXiv — авторы детально описывают архитектуру всех трёх слоёв world model.
- Аудит агентного стека: посчитай LLM-вызовы на задачу в своём агенте. Больше 10 — первый кандидат на оптимизацию по принципам GATS.
- Начни с L1+L2: собери логи выполнения, построй lookup-таблицу (действие → типичный результат). Это minimal viable world model без ML.
- Добавь UCB1-поиск: алгоритм хорошо задокументирован, есть готовые Python-реализации. Используй вместо прямого LLM-запроса при выборе следующего действия.
- L3 как fallback: оставь LLM только для незнакомых действий — страховка, не основной путь. Чем меньше L3 срабатывает, тем зрелее твоя world model.