PEPS：先编译类型化空间需求，再选择工具执行与核验

VLM空间推理日益受益于工具集成流程，以显式几何为计算依据。但现有系统常把查询编译为较开放的代码、任务约束、工具计划或收集证据，没有明确哪些问题必须在执行前解决，因而造成不必要工具获取与迭代细化，且可能在空间条件尚未充分确定时生成貌似合理的推理轨迹。我们将其称为查询编译的约束落实不足。为此，我们提出无需训练的Agentic范式PEPS：在Frame、Entity、State和Metric组成的类型化FESM schema下解析空间推理的可执行原语。PEPS先解析后执行：解析器把查询明确为紧凑的可执行需求；执行器按需通过固定几何API和确定性计算落实原语；验证器检查执行是否足以满足需求，从而提前停止或定向修复。在多个有挑战的空间推理基准上，相比强工具集成基线，PEPS持续提高准确率，并显著减少细化轮数、API费用和端到端时延。结果表明，显式落实需求能同时提高工具集成空间推理的可靠性和执行效率。