La planification d'outils basée sur les grands modèles linguistiques (LLM), qui consiste à sélectionner, organiser et préparer les outils nécessaires pour accomplir une requête utilisateur, comble le fossé entre la compréhension du langage naturel et l'exécution des tâches. Toutefois, les approches actuelles traitent les différents outils comme des composants isolés, sans exploiter les dépendances inhérentes entre eux, ce qui conduit à des résultats de planification inappropriés. Étant donné que les dépendances entre outils sont souvent incomplètes, il devient difficile pour les LLM d'identifier avec précision les outils requis par une requête utilisateur, particulièrement lorsqu'elles sont confrontées à un grand ensemble d'outils. Pour surmonter ce défi, nous proposons GTool, le premier travail visant à améliorer la capacité de planification d'outils des LLM dans des conditions de dépendances incomplètes. GTool construit un graphe d'outils spécifique à chaque requête afin de sélectionner efficacement les outils et générer un jeton de graphe () offrant une information de dépendance suffisante, compréhensible par les LLM. En outre, une tâche de prédiction des dépendances manquantes est conçue pour renforcer la fiabilité de GTool en présence de dépendances incomplètes. Sans nécessiter de modifier les LLM, GTool peut être intégré de manière transparente à diverses architectures de LLM sans nécessiter de re-entraînement intensif. Des expérimentations étendues montrent que GTool améliore les performances de plus de 29,6 % par rapport aux méthodes de pointe (SOTA) actuelles, même avec un modèle de base léger (7 milliards de paramètres).