Modelos de Lenguaje a Gran Escala Agénticos con Restricciones Presupuestarias: Planificación Basada en Intenciones para el Uso de Herramientas Costosas
Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use
February 12, 2026
Autores: Hanbing Liu, Chunhao Tian, Nan An, Ziyuan Wang, Pinyan Lu, Changyuan Yu, Qi Qi
cs.AI
Resumen
Estudiamos agentes aumentados con herramientas y restricciones presupuestarias, en los que un modelo de lenguaje grande debe resolver tareas de múltiples pasos invocando herramientas externas bajo un estricto presupuesto monetario. Formalizamos este escenario como una toma de decisiones secuencial en el espacio de contexto con ejecuciones de herramientas con precio y estocásticas, lo que hace que la planificación directa sea intratable debido a los espacios masivos de estados-acciones, la alta varianza de los resultados y el costo prohibitivo de exploración. Para abordar estos desafíos, proponemos INTENT, un marco de planificación en tiempo de inferencia que aprovecha un modelo jerárquico del mundo consciente de las intenciones para anticipar el uso futuro de herramientas, el costo calibrado por riesgo y guiar las decisiones en línea. En el conjunto StableToolBench aumentado con costos, INTENT hace cumplir estrictamente la viabilidad del presupuesto fijo mientras mejora sustancialmente el éxito de las tareas en comparación con los métodos base, y mantiene su robustez bajo cambios dinámicos del mercado como variaciones en los precios de las herramientas y presupuestos cambiantes.
English
We study budget-constrained tool-augmented agents, where a large language model must solve multi-step tasks by invoking external tools under a strict monetary budget. We formalize this setting as sequential decision making in context space with priced and stochastic tool executions, making direct planning intractable due to massive state-action spaces, high variance of outcomes and prohibitive exploration cost. To address these challenges, we propose INTENT, an inference-time planning framework that leverages an intention-aware hierarchical world model to anticipate future tool usage, risk-calibrated cost, and guide decisions online. Across cost-augmented StableToolBench, INTENT strictly enforces hard budget feasibility while substantially improving task success over baselines, and remains robust under dynamic market shifts such as tool price changes and varying budgets.