Profile-Then-Reason：面向工具增强语言智能体的有界语义复杂度

使用外部工具的大语言模型智能体常以反应式执行实现，即每次观察后都重新计算推理，这增加了延迟和对误差传播的敏感性。本工作提出Profile-Then-Reason（PTR），一个面向结构化工具增强推理的有界执行框架：语言模型首先合成一个显式工作流，确定性或带守卫的算子执行该工作流，验证器评估所产生的轨迹，只有当原工作流不再可靠时才调用修复。文中发展了一种数学表述，将完整流水线表示为画像、路由、执行、验证、修复和推理算子的组合；在有界修复条件下，语言模型调用次数在标称情形下限制为两次，最坏情形下为三次。在六个基准和四个语言模型上与ReAct基线的对比实验表明，PTR在24个配置中的16个取得成对精确匹配优势。结果表明，PTR在以检索为中心和重分解的任务上尤为有效，而当成功依赖大量在线适应时，反应式执行仍是更优选择。