AI-порталAI-портал

LATM

[object Object]

LATM, или Language Models as Tool Makers, идёт дальше обычного tool use. Здесь LLM не только выбирает внешний инструмент, но и сама создаёт новый reusable tool для класса задач, а затем этот tool можно кэшировать и использовать повторно. Это уже похоже не на единичный reasoning trace, а на построение функциональной инфраструктуры поверх повторяющихся запросов.

В 2026 идея LATM особенно привлекательна для systems engineering: один раз потратить более дорогой reasoning на создание инструмента, а потом многократно окупать это через более дешёвое использование.

Техника смещает фокус с разового ответа на создание переиспользуемой функции, которая будет полезна и для следующих запросов.

Коротко

LATM полезен, когда:

  • запросы повторяются классами;
  • expensive reasoning можно amortize;
  • полезно кэшировать не ответы, а функции;
  • система способна исполнять сгенерированные tools безопасно.
ПромптGPT-5
Если видишь повторяемый класс задач, не решай его каждый раз заново. Сначала предложи reusable tool, а потом используй этот tool для текущего экземпляра.
Ответ модели

Система сгенерировала небольшую функцию для обработки однотипных таблиц и использовала её не только для текущего запроса, но и как кэшируемый asset для следующих похожих задач.

LATM нужен там, где выгодно кэшировать capability, а не только output.

Чем LATM отличается от обычного tool use

В обычном tool-use setup модель:

  • выбирает существующий tool;
  • вызывает его;
  • получает результат.

LATM добавляет новый режим:

  • сначала создать tool;
  • затем сохранить его;
  • потом использовать как reusable capability.

Это делает систему ближе к программированию поверх задач, а не только к их разовому решению.

Разовые tool calls
Система каждый раз заново решает похожие задачи или вызывает те же цепочки действий.
LATM
Система при повторяющихся классах задач создаёт reusable tool и переиспользует его в будущем.

Когда техника особенно полезна

LATM хорошо подходит для:

  • recurring workflows;
  • internal automations;
  • data transformation tasks;
  • environments с повторяющимися classes of requests;
  • systems, где есть безопасный execution sandbox.

Если задачи почти никогда не повторяются, стоимость tool making может не окупиться.

Ограничения

LATM требует безопасного окружения для tool generation и execution. Ещё одна проблема в том, что плохо сделанный reusable tool может закрепить ошибку и размножить её на много запросов.

Поэтому техника требует versioning, evaluation и rollback-механизмов.

Почему техника актуальна в 2026

В зрелых agent systems встаёт вопрос не только "как решить запрос?", но и "что можно превратить в reusable asset?". LATM важен потому, что переводит агентную систему в режим наращивания capability library.

Это делает технику особенно интересной для команд, которые строят долгоживущие AI-platform workflows.

Техническая реализация

const reusableTool = await makerModel(buildToolPrompt(taskClass))
await registry.save(reusableTool)
const result = await userModel(useToolPrompt(task, reusableTool))

Практический совет: храните тест-кейсы вместе с каждым сгенерированным tool. Без них кэш capability быстро превращается в склад непроверенного кода.

Проверьте себя

1. Что добавляет LATM к обычному tool use?

2. Когда LATM особенно полезен?

3. Главный риск LATM?

Предыдущая
KILT
Следующая
LLM Compiler