PerfGuard：面向视觉内容生成的性能感知智能体

大语言模型（LLM）驱动的智能体进步已能通过推理与工具调用能力实现自动化任务处理。然而，现有框架常在工具执行总是成功的理想化假设下运行，仅依赖无法区分精确性能边界、也无法适应迭代工具更新的文本描述。这一缺口给规划与执行带来不确定性，在视觉内容生成（AIGC）等领域尤甚，因为细微的工具性能差异显著影响结果。为此，我们提出PerfGuard，一个面向视觉内容生成的性能感知智能体框架，系统建模工具性能边界并将其融入任务规划与调度。我们的框架引入三个核心机制：(1)性能感知选择建模（PASM），用基于细粒度性能评估的多维评分系统取代通用工具描述；(2)自适应偏好更新（APU），通过比较理论排名与实际执行排名动态优化工具选择；(3)能力对齐规划优化（CAPO），引导规划器生成与性能感知策略对齐的子任务。与最先进方法的实验对比证明PerfGuard在工具选择准确性、执行可靠性与用户意图对齐方面的优势，验证其对复杂AIGC任务的稳健性与实用价值。项目代码见 https://github.com/FelixChan9527/PerfGuard。