ToolChoiceConfusion：面向可靠 LLM Agent 的因果最小化工具过滤

大型语言模型 Agent 日益依赖外部工具，但过大的工具菜单会因错误调用、过早行动及令牌成本增加而降低可靠性与效率。现有方法多优化语义相关性，却忽略了工具在当前步骤的必要性。本文提出因果最小化工具过滤（CMTF），这是一种无需训练的方法，利用轻量级前置条件 - 效果契约，仅暴露推进当前状态至目标所需的最小下一步工具集。实验表明，CMTF 在保持高成功率的同时，将每步可见工具从 100 个减至 1 个，并降低约 90% 的令牌消耗。