Los modelos de lenguaje grandes (LLMs) han demostrado capacidades notables para resolver tareas complejas. Trabajos recientes han explorado la descomposición de tales tareas en subtareas con contextos independientes. Sin embargo, algunas subtareas contextualmente relacionadas pueden experimentar pérdida de información durante la ejecución, lo que lleva a operaciones redundantes o fallos en la ejecución. Para abordar este problema, proponemos un marco sin entrenamiento con un mecanismo de interacción, que permite a una subtarea consultar información específica o activar ciertas acciones en subtareas completadas mediante el envío de solicitudes. Para implementar la interacción, introducimos una memoria de trayectoria de subtareas para permitir la reanudación de subtareas completadas al recibir solicitudes de interacción. Además, proponemos una nueva acción durante la ejecución, que genera una descripción concisa y precisa del proceso de ejecución y los resultados de una subtarea, para ayudar a las subtareas posteriores a determinar los objetivos de interacción y las solicitudes. Nuestro marco logra tasas de éxito del 46.0% y 52.6% en WebShop y HotpotQA, superando las sólidas líneas base en 1.0 y 2.6 puntos porcentuales absolutos, respectivamente.