بينما أظهرت النماذج اللغوية الكبيرة (LLMs) قدرات محسّنة في استدعاء الوظائف، فإن هذه التطورات تعتمد بشكل أساسي على الوصول إلى استجابات الوظائف. ويُعد هذا النهج عمليًا في حالة واجهات برمجة التطبيقات (APIs) البسيطة، لكنه يواجه صعوبات في التوسع عند التعامل مع واجهات برمجة التطبيقات غير القابلة للعكس التي تؤثر بشكل كبير على النظام، مثل واجهة برمجة تطبيقات حذف قواعد البيانات. وبالمثل، تُشكّل العمليات التي تتطلب وقتًا طويلاً لكل استدعاء لواجهة برمجة تطبيقات، وكذلك العمليات التي تتطلب تخطيطًا مسبقًا مثل مسارات الإجراءات التلقائية، تحديات معقدة. علاوةً على ذلك، تظهر غالبًا حالات تتطلب نهجًا عامًا، نظرًا لعدم توفر الخوارزميات للوصول المباشر إلى التنفيذات المحددة لهذه الوظائف أو إلى الأسرار الضرورية لاستخدامها. وتُعد طرق التخطيط التقليدية للأدوات غير كافية في هذه الحالة، مما يفرض الحاجة إلى العمل داخل بيئات "مغلقة" (black-box). وعلى عكس أدائها في التلاعب بالأدوات، تُظهر النماذج اللغوية الكبيرة كفاءة عالية في المهام المغلقة، مثل توليد البرامج (program synthesis). ولذلك، نستفيد من قدرات توليد البرامج لدى النماذج اللغوية الكبيرة لتخطيط استخدام الأدوات في البيئات المغلقة، مع ضمان التحقق من الحلول قبل تنفيذها. نقدّم "TOPGUN"، وهي منهجية مبتكرة تعتمد على توليد البرامج لتخطيط استخدام الأدوات في البيئات المغلقة. ويرافقها "SwissNYF"، وهي مجموعة شاملة تدمج خوارزميات مغلقة لتخطيط المهام والتحقق منها، وتُعالج التحديات المذكورة أعلاه، وتعزز من تنوع وفعالية النماذج اللغوية الكبيرة في التفاعلات المعقدة مع واجهات برمجة التطبيقات. يمكن الوصول إلى الكود العام لـ "SwissNYF" عبر الرابط: https://github.com/iclr-dummy-user/SwissNYF.