用主动推断优化 Agent：仅获取能改变决策的缺失上下文

rohanpaul_ai · x · 2026-08-24

AI Agent 面临一个昂贵的问题：当信息缺失时，它们要么过早猜测，要么不断检索和调用工具，不知道更多上下文是否值得花费成本。这篇论文利用主动推断使这一选择显式化：每次澄清、检索或工具调用都必须通过减少对最终答案的不确定性来“赚取”其消耗的 token 和延迟。在受控测试中，前沿模型虽能缩小答案范围，但仍使用了比最优规划器更多的问题。在生成任务中，定向澄清将验证器合规性从 0.0417 提升至 0.375。建议是给 Agent 一个显式的上下文获取层，在每一步额外操作前决定是否询问、检索或行动，获取到能改变决策的缺失上下文即停止。