使用Agentic预言机进行计算

本文扩展了人工智能增强计算中的随机查询模型，引入了自主决策的查询器。与固定响应分布的静止随机查询器不同，自主决策的查询器可以自主追求目标，并且可能访问到包含任务相关资源的任务环境。这些能力不仅影响了查询响应中的响应分布，还影响了查询响应界面之外的词元成本。我们开发了一种框架，用于分析在自主决策查询器下运行的随机查询机（SOTM）中的词元成本。每个查询都有一个 \emph{orchestration token cost}，在查询响应界面可见，以及一个 \emph{agentic token cost}，由内部操作产生，但不被调用方看到。我们展示了，当自主决策的查询器能够保留中间状态时，与环境访问的SOTM相比，SOTM在解决相同任务时，无论是在相同质量水平下，还是在没有环境访问的情况下，都可以在词元成本上具有优势。我们还研究了目标丢失风险，包括如何内部调度可以减少对不可逆行动的暴露。我们提供了一个目标丢失避免准则，导出了进度-重试-目标丢失公式，建立了在词元成本为零时的目标深度下界，以及展示了目标丢失风险可以限制任务更新环境时可达到的质量上限。