Lookahead-R：通过以执行为中心的规划进行预算感知工具检索

对于在大型异构 API 生态系统中运行的基于 LLM 的Agent来说，工具检索是一个关键瓶颈。现有方法面临着固有的权衡：语义检索器速度很快，但存在语义功能差距，而基于执行的验证以令人望而却步的延迟为代价提高了精度。我们提出了 Lookahead-R，这是一个基于规划的框架，它将工具检索重新表述为资源受限的顺序决策问题。 Lookahead-R 的核心是引入了一种轻量级执行感知Agent世界模型，该模型可以联合预测工具执行成功、延迟成本和语义效用，而无需调用真正的 API。该世界模型驱动成本敏感、不确定性引导的蒙特卡罗树搜索，在严格的预算约束下导航工具空间。在大规模 ToolBench 基准测试上进行评估，Lookahead-R 在所有测试场景中实现了卓越的准确性与效率权衡。在最具挑战性的 I3 分割中，它的 NDCG@5 为 91.40\%，比最先进的 ToolGen (90.16\%) 高出 1.24\%。消融研究证实，显式延迟建模是在资源限制下识别高质量工具的关键判别信号。