GIST-CMTF：LLM智能体因果最小工具过滤的目标状态推断

工具增广的LLM智能体依赖运行时过滤决定每步应可见哪些工具。因果最小工具过滤（CMTF）只暴露因果上必要的下一工具前沿——减少工具选择困惑——但它假设用户请求已被映射到符号目标状态。实践中——诸如“处理我的预约”或“照看这封邮件”的请求可能对应多个可能目标。这造成错误目标执行：智能体为非预期目标走了一条有效的因果工具路径。我们介绍GIST-CMTF——目标状态推断层——在CMTF使用的同一状态转移词表上预测候选符号目标、估计歧义——然后要么应用CMTF、要么把澄清暴露为产生缺失目标或状态变量的因果动作。我们在七个模型骨干、六种过滤方法与120个受控工具使用任务上评估GIST-CMTF。GIST-CMTF取得97.0%任务成功——对照最高目标CMTF的80.1%与语义目标CMTF的82.9%。它把错误目标执行从最高目标CMTF下的19.4%降到2.5%——同时保持因果过滤的单工具暴露——并比全工具暴露使用显著更少token。这些结果提示：可靠的工具增广智能体应在暴露外部动作前验证目标状态——而不只验证工具相关性。