通过熵引导分支在大型工具空间中执行长程计划

大语言模型虽推动了工具增强代理的发展，但在大规模工具库中执行多步任务仍面临缺乏计划级评估框架及巨大决策空间探索计算需求的瓶颈。为此，本文首先推出 SLATE，一个用于自动评估工具集成代理的大规模情境感知基准。基于评估发现，我们提出了熵引导分支（EGB）算法，这是一种感知不确定性的搜索策略，能动态扩展高预测熵的决策分支。实验表明，EGB 优化了探索与利用的权衡，显著提升了任务成功率与计算效率，为复杂工具环境下的可靠代理开发奠定了基础。