预算受限的智能体大语言模型：基于意图的高成本工具使用规划

本文研究了在严格预算限制下，如何通过调用外部工具使大型语言模型完成多步骤任务。由于状态-动作空间巨大、结果方差高以及探索成本高昂，直接规划变得不可行。为此，我们提出了INTENT，一个推理时的规划框架，利用意图感知的分层世界模型来预测未来的工具使用、风险校准的成本，并在线指导决策。在增强成本的StableToolBench基准测试中，INTENT严格保证预算可行性，显著提升了任务成功率，并在动态市场变化（如工具价格波动和预算变化）下保持鲁棒性。