تُشير خطة الأدوات باستخدام النماذج اللغوية الكبيرة (LLMs) إلى عملية اختيار وتنظيم وإعداد الأدوات الضرورية لإتمام طلب المستخدم، حيث تُعد هذه العملية رابطًا بين فهم اللغة الطبيعية وتنفيذ المهام. ومع ذلك، تتعامل الدراسات الحالية مع الأدوات المختلفة كعناصر منفصلة، ولا تُستغل الاعتماديات الطبيعية بين الأدوات، مما يؤدي إلى نتائج خطة غير صحيحة. وبما أن الاعتماديات بين الأدوات غالبًا ما تكون غير كاملة، يصبح من الصعب على النماذج اللغوية الكبيرة تحديد الأدوات المناسبة المطلوبة من قبل طلب المستخدم، خاصة عند التعامل مع مجموعة كبيرة من الأدوات. ولحل هذه التحديات، نقترح GTool، وهي أول دراسة تهدف إلى تحسين قدرة النماذج اللغوية الكبيرة على خطة الأدوات في ظل اعتماديات غير كاملة. يُنشئ GTool رسمًا أداةً مخصصًا للطلب (request-specific tool graph) لاختيار الأدوات بكفاءة، وإنتاج "رمز الرسم" (graph token) الذي يوفر معلومات اعتماد كافية يمكن للنماذج اللغوية الكبيرة فهمها. بالإضافة إلى ذلك، تم تصميم مهمة تنبؤ بالاعتماديات المفقودة لتحسين موثوقية GTool في ظل اعتماديات غير كاملة. وبفضل عدم الحاجة إلى تعديل النماذج اللغوية الكبيرة، يمكن دمج GTool بسلاسة مع مختلف النوى (backbones) للنماذج اللغوية الكبيرة دون الحاجة إلى إعادة تدريب مكثفة. وتشير التجارب الواسعة إلى أن GTool تحقق تحسينات في الأداء تزيد عن 29.6٪ مقارنةً بأفضل النماذج الحالية (SOTA)، باستخدام نواة نموذج لغوي كبير خفيفة الوزن (7B).