AURA：针对位于 LLM 代理中的隐式需求进行意图定向探测

诸如“林伟在哪里？”之类的情境查询通常编码的内容不仅仅是其文字内容：用户可能还想知道林伟现在是否有空、心情好或值得打断。标准工具使用代理回答字面问题并停止。 AURA 在场景感知和工具使用之间插入一个推理步骤，生成 IntentFrame：对隐式需求的结构化估计，以及控制每个查询探测预算和工具选择的标量差距分数。在 100 个查询的四场景隐式意图基准测试中，AURA 比 ReAct 式探测提高了隐式需求覆盖率（Delta = +0.07，p < 10^-6）；四个场景中的三个单独重要，增益在第二个主干上再现，并且迅速消融将提升归因于间隙校准而不是答案记忆。在事实查找中，控制器以原始准确性为代价，换取了隐私敏感切片上减少 82% 的探测和零违禁工具违规；范围条件在限制中有详细说明。代码、模拟器和基准测试发布于 https://github.com/innovation64/AURA。