Automatic Reasoning and Tool-use (ART)
Un marco que combina el prompting de razonamiento paso a paso con el uso de herramientas externas, para que los LLM generen automáticamente pasos de razonamiento intermedios y llamen herramientas como si fueran un programa.
¿Qué es ART?
Combinar el prompting de razonamiento paso a paso (CoT) con el uso de herramientas ha demostrado ser confiable en muchas tareas con LLM. La desventaja es que estos enfoques suelen exigir crear a mano demostraciones específicas para cada tarea y programar con cuidado el momento en que el modelo se detiene para usar una herramienta y retoma después.
Automatic Reasoning and Tool-use (ART) propone un marco nuevo que usa un LLM congelado para generar automáticamente pasos de razonamiento intermedios como un programa. ART va más allá del prompting tradicional porque deja que el modelo decida cuándo y cómo usar herramientas externas durante su razonamiento.
ART fue presentado por Paranjape et al. (2023) y representa un paso importante hacia un razonamiento de IA más autónomo. Se apoya en trabajos previos sobre prompting de razonamiento paso a paso y modelos de lenguaje ampliados con herramientas.
Cómo funciona ART
ART sigue un proceso estructurado que combina la selección de tareas, la generación de programas y la integración de herramientas:
Elegir ejemplos de una biblioteca de tareas
Ante una tarea nueva, ART elige de una biblioteca ya construida demostraciones de razonamiento en varios pasos y de uso de herramientas. Esos ejemplos funcionan como plantillas que le muestran al modelo cómo descomponer problemas parecidos.
Ejecutar el programa con un LLM congelado
Al momento de la prueba, el modelo genera un programa de razonamiento. Pausa la generación cada vez que se llama a una herramienta externa (un motor de búsqueda, un intérprete de código o una calculadora), integra el resultado y luego retoma.
Corregir errores (opcional)
ART es extensible. Una persona puede corregir errores en los pasos de razonamiento o agregar herramientas nuevas con solo actualizar las bibliotecas de tareas y de herramientas. Eso vuelve sencilla la mejora continua.
Ventajas clave
- Generalización zero-shot: ART empuja al modelo a generalizar desde las demostraciones para descomponer una tarea nueva y usar herramientas donde corresponde, sin entrenamiento específico para esa tarea.
- Se puede extender a mano: cuando el modelo se equivoca, una persona puede corregir los pasos de razonamiento o agregar herramientas a la biblioteca. Así se crea un ciclo de retroalimentación para mejorar de forma continua.
- Integración de herramientas: ART mete las llamadas a herramientas externas (búsqueda, ejecución de código, cálculos) dentro de la cadena de razonamiento, así las respuestas se mantienen precisas y ancladas en datos reales.
- LLM congelado: no hace falta fine-tuning. ART funciona con el modelo tal como está, así que se puede aplicar a cualquier LLM capaz sin reentrenarlo.
ART en la práctica
Este es un ejemplo simplificado de cómo se vería un prompt estilo ART para una tarea de investigación:
TareaBusca la población de Canadá y de Francia, luego calcula la diferencia. Paso 1: Buscar[SEARCH] «Población de Canadá 2025» → Resultado: 40.1 millones Paso 2: Buscar[SEARCH] «Población de Francia 2025» → Resultado: 68.2 millones Paso 3: Calcular[CALC] 68.2 - 40.1 → Resultado: 28.1 millones RespuestaFrancia tiene aproximadamente 28.1 millones de personas más que Canadá.
Aunque nunca construyas un sistema ART, entenderlo te hace escribir mejores prompts. Divide una tarea grande en pasos y define en qué momento el modelo debería recurrir a una herramienta externa en lugar de adivinar. Ese hábito te sirve con cualquier IA que uses.
Cuándo usar ART
- Tareas que requieren varios pasos de razonamiento junto con búsquedas de datos concretos
- Flujos de trabajo donde la precisión importa y el modelo necesita verificar la información por fuera
- Situaciones donde necesitas un razonamiento estructurado y reproducible que una persona pueda auditar y corregir
- Construir sistemas de agentes de IA que deban decidir por su cuenta cuándo llamar a una herramienta
Para seguir leyendo
Para profundizar en ART y en técnicas relacionadas, explora estos recursos:
- Prompt Engineering Guide: ART (referencia original)
- Prompting de razonamiento paso a paso (técnica fundamental)
- ReAct: razonar y actuar (enfoque relacionado)