AWARE-US：工具调用代理中偏好感知解析的基准

查询结构化数据库的工具调用会话代理通常面临两个相关的失败：指定不足（缺少运行精确查询所需的约束）和不可行性（完全指定的查询返回空集，因为没有项满足所有约束）。现有的工作通常会“没有结果”，或者使用临时规则放松约束，这可能会通过放弃用户最关心的需求来违反用户意图。我们将不可行性处理构建为偏好感知的查询修复问题：当查询不可满足时，代理应该放宽对用户最不重要的约束。我们提出了三种基于 LLM 的方法来从对话中推断相对约束重要性：（1）局部加权，（2）全局一次性加权，以及（3）成对排名。实验表明，局部加权实现了最佳的偏好对齐，而全局加权在正确的约束放松方面表现最佳。我们还引入了 AWARE-US，这是一个基于角色的查询基准，要求代理通过对话消除请求的歧义，并以符合角色隐含偏好的方式解决不可行性问题。