面向高效LLM工具使用的效用引导智能体编排

使用工具的大语言模型（LLM）智能体常常面临答案质量与执行成本之间的根本张力。固定工作流稳定但不灵活，而ReAct这类自由形式的多步推理方法可能提升任务性能，代价则是过多的工具调用、更长的轨迹、更高的token消耗以及增加的延迟。本文将智能体编排作为一个显式决策问题加以研究，而非将其完全交由提示层面的行为。我们提出一种效用引导的编排策略，通过平衡预估收益、步骤成本、不确定性与冗余，在回答、检索、工具调用、验证与停止等动作之间进行选择。我们的目标并非宣称普遍最优的任务性能，而是提供一个可控且可分析的策略框架，用于研究工具使用LLM智能体中的质量-成本权衡。跨直接回答、阈值控制、固定工作流、ReAct以及若干策略变体的实验表明，显式编排信号会显著影响智能体行为。针对成本定义、工作流公平性与冗余控制的进一步分析表明，轻量级的效用设计可为智能体控制提供有依据且实用的机制。