Les agents autonomes utilisent généralement des appels d'outils de manière séquentielle, ce qui limite leur efficacité dans les tâches complexes. Les chercheurs proposent une méthode appelée GAP (Graph-Based Agent Planning) qui permet aux agents de planifier et d'exécuter des sous-tâches de manière parallèle lorsque cela est possible, tout en conservant une logique centralisée dans un seul modèle de langage. Cette approche utilise un graphe orienté acyclique pour représenter les dépendances entre les sous-tâches, ce qui permet une exécution plus efficace et moins coûteuse. La méthode GAP a été testée sur plusieurs ensembles de données, montrant une amélioration significative en termes de temps de réponse, de coût et de précision par rapport aux méthodes traditionnelles. Les agents formés avec GAP ont démontré une meilleure capacité à gérer des tâches complexes avec moins de étapes et une réduction des coûts de calcul. Cependant, cette méthode nécessite une extraction précise des dépendances entre les sous-tâches pour éviter des appels inutiles ou prématurés. Les résultats montrent que GAP offre un bon compromis entre la précision des réponses et le coût, ce qui en fait une avancée prometteuse pour les agents autonomes.