摘要
随着 LLM Agent 日益依赖外部服务,面临工具选择挑战:工具过少导致信息不足,过多则增加成本与隐私风险。现有方法未解决异构成本下的获取决策问题。本文提出成本感知边际决策聚焦停止(CAM-DF)方法,直接在“当前停止”与“最佳延续”的离线差距上进行训练。理论证明该目标贝叶斯对齐,且优于仅基于分数的规则。实验表明,CAM-DF 在异构成本下表现最优,能在保持任务成功率的同时减少 37% 的工具暴露,是无需微调即可降低成本的轻量级插件。
AI 推荐理由
论文核心解决 Agent 在异构成本下的工具获取与选择决策问题,直接优化技能调用策略。
研究机构
北京大学先进技术制造与机器人学院
麦吉尔大学戴萨乌特工程学院
上海交通大学安泰经济与管理学院
论文信息