行动前先询问世界：用于世界模型校准的预算化环境探测

长程语言智能体不仅选择动作，还携带私有世界模型。当模型发生漂移时，失败可能在动作执行前就已注定。本文研究一种直接修复机制：在提交下一个任务动作前，智能体可向环境查询特定信念字段并更新模型。我们将环境交互视为稀缺的校准资源而非单纯的任务推进手段。提出了一种针对结构化信念表的预算化探测算子。实验表明，遵循任务结构的探测策略能显著减少规划中的世界模型误差，特别是在处理程序性信念和空间信念时。