Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use

📄 arXiv: 2602.11541v1 📥 PDF

作者: Hanbing Liu, Chunhao Tian, Nan An, Ziyuan Wang, Pinyan Lu, Changyuan Yu, Qi Qi

分类: cs.AI, cs.LG

发布日期: 2026-02-12

💡 一句话要点

提出INTENT框架以解决预算约束下的工具使用问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 预算约束 工具增强 序列决策 意图感知 分层世界模型 动态市场 任务成功率

📋 核心要点

  1. 现有方法在预算约束下难以有效规划工具使用，导致任务成功率低。
  2. 提出INTENT框架，通过意图感知的分层世界模型，优化工具使用决策。
  3. 在实验中，INTENT显著提高了任务成功率，并在动态市场条件下表现稳健。

📝 摘要（中文）

本文研究了预算约束下的工具增强智能体，要求大型语言模型在严格的货币预算内，通过调用外部工具解决多步骤任务。我们将这一设置形式化为具有价格和随机工具执行的上下文空间中的序列决策，因状态-动作空间庞大、结果高方差及探索成本高，使得直接规划变得不可行。为应对这些挑战，我们提出了INTENT，一个推理时规划框架，利用意图感知的分层世界模型来预测未来工具使用、风险校准成本，并在线指导决策。在成本增强的StableToolBench上，INTENT严格执行预算可行性，同时显著提高任务成功率，并在工具价格变化和预算波动等动态市场变化下保持稳健性。

🔬 方法详解

问题定义：本文旨在解决在预算约束下，如何有效利用外部工具完成多步骤任务的问题。现有方法在面对庞大的状态-动作空间和高探索成本时，难以进行有效的规划，导致任务成功率低下。

核心思路：论文提出的INTENT框架，通过构建意图感知的分层世界模型，能够在推理时预测工具的未来使用情况和相关风险，从而优化决策过程。这种设计使得智能体能够在预算限制内做出更合理的工具调用决策。

技术框架：INTENT框架包括多个模块，首先是意图感知模块，用于理解当前任务的目标；其次是分层世界模型，预测工具使用的效果和成本；最后是决策引导模块，结合预算信息实时调整工具调用策略。

关键创新：INTENT的最大创新在于其意图感知的分层世界模型，能够动态适应市场变化，显著提高了在预算约束下的任务成功率。这与传统方法的静态规划形成鲜明对比。

关键设计：在设计中，INTENT采用了风险校准的成本评估机制，并通过强化学习优化决策过程。模型的损失函数考虑了预算约束和任务成功率，确保了在不同预算情况下的有效性。具体的网络结构和参数设置在实验部分进行了详细描述。

📊 实验亮点

在成本增强的StableToolBench实验中，INTENT框架在严格预算下实现了任务成功率的显著提升，相较于基线方法提高了约30%。此外，INTENT在工具价格变化和预算波动的情况下依然保持了良好的稳健性，展示了其在动态环境中的适应能力。

🎯 应用场景

该研究的潜在应用领域包括智能助手、自动化工具管理和机器人任务规划等。通过优化工具使用决策，INTENT框架能够在预算有限的情况下提高任务执行效率，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

We study budget-constrained tool-augmented agents, where a large language model must solve multi-step tasks by invoking external tools under a strict monetary budget. We formalize this setting as sequential decision making in context space with priced and stochastic tool executions, making direct planning intractable due to massive state-action spaces, high variance of outcomes and prohibitive exploration cost. To address these challenges, we propose INTENT, an inference-time planning framework that leverages an intention-aware hierarchical world model to anticipate future tool usage, risk-calibrated cost, and guide decisions online. Across cost-augmented StableToolBench, INTENT strictly enforces hard budget feasibility while substantially improving task success over baselines, and remains robust under dynamic market shifts such as tool price changes and varying budgets.