予算制約下におけるエージェント型大規模言語モデル：高コストなツール利用のための意図ベース計画

Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use

February 12, 2026

著者: Hanbing Liu, Chunhao Tian, Nan An, Ziyuan Wang, Pinyan Lu, Changyuan Yu, Qi Qi

cs.AI

要旨

我々は、予算制約下でツールを活用するエージェントを研究する。ここでは、大規模言語モデルが厳格な金銭的予算の下で外部ツールを呼び出し、多段階タスクを解決しなければならない。我々はこの設定を、価格付けされ確率的なツール実行を伴う文脈空間における逐次意思決定問題として定式化する。この問題は、巨大な状態-行動空間、結果の高い分散、および膨大な探索コストにより、直接的な計画を困難にする。これらの課題に対処するため、我々はINTENTを提案する。これは、将来のツール使用とリスク調整済みコストを予測する意図認識階層的世界モデルを活用し、オンラインで意思決定を導く推論時計画フレームワークである。コスト拡張版StableToolBenchにおける実験では、INTENTは厳密な予算制約の実現可能性を保証しつつ、ベースラインを大幅に上回るタスク成功率を達成し、ツール価格の変動や予算の変化といった動的な市場シフト下でも堅牢性を維持する。

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.