ZEBRA：LLM 编排的零次预算资源分配

随着自主代理越来越多地在固定货币预算下执行端到端任务，紧迫的悬而未决的问题从预算是否得到尊重转向如何有效地使用预算。现有的预算感知方法通常在单个代理内逐步控制推理，或通过 RL 学习资源分配策略。没有一个解决如何在推理时将预算分配到多代理管道的组成阶段。我们提出了 ZEBRA，一种零样本框架，可将多相预算分配减少到连续非线性背包问题：LLM 控制器估计每相效用曲线，拉格朗日乘子上的注水搜索返回每相分割。加法和乘法聚合在同一求解器下统一。在 $150$ 任务 APPS 编码基准上，两种 ZEBRA 变体在每个聚合指标上都优于 LLM-direct（直接由 LLM 进行预算分配）。在无约束支出的预算为 $α= 0.5$ 时，ZEBRA 恢复了 $94.4\%$ 的无约束质量，而 LLM-direct 为 $88.1\%$。该优势在统计上是显着的，并且超越了编码：在 $3$ 阶段的 HotpotQA 管道上，ZEBRA 比 LLM-direct 领先 $14.3$pp，其分配在经验上对曲线估计噪声具有鲁棒性。在 HotpotQA 上，ZEBRA 达到了与 APPS 不同的预算分配（接近平衡）（偏向细化阶段），显示出对管道结构的适应。更广泛地说，我们表明推理时的轻量级算法指导可以改善自主多智能体系统的经济行为。