ACCORD：语言智能体的动作条件语境证据关联

用户指令通常不明确，因为人类依赖于对周围环境的隐含假设。对于在信息丰富的数字和物理环境中运行的 大语言模型 (LLM) 代理来说，这些假设不能单独从指令中推断出来；它们必须从工具、数据、界面和观察的当前状态中恢复。因此，有效的执行需要智能体识别缺失的背景，将其扎根于观察到的证据，并将其带入后续行动。我们的研究表明，当前的代理商常常无法做到这一点。他们根据假设而不是观察到的具体情况采取行动，忽视了他们可能收集到的信息，并且未能纳入已经返回的证据。基于这一见解，我们提出了 ACCORD（动作条件上下文证据关联），这是一种简单而有效的自适应证据关联智能体框架。在执行每个操作之前，ACCORD 会主动探测环境中是否存在缺失信息，并从代理的轨迹中整合相关上下文，否则这些信息可能会被忽略。不需要额外的训练或任务成功信号，与强基线相比，ACCORD 使用 GPT-5-mini 将 AppWorld 上的任务目标完成率提高了 20.6 个百分点，从 42.0% 提高到 62.6%。这些收益持续存在于更强大的基础模型（使用 Claude-4.5-sonnet 时+10.8）、开放权重模型（使用 Qwen3.5-27B-FP8 时+10.1）以及体现的 AlfWorld 基准（使用 GPT-5-mini 时+7.4 成功率）。