AURA: 状況埋め込み型LLMエージェントにおける暗黙的ニーズ顕在化のための意図指向プロービング

要旨

「リンの居場所は？」のような状況依存のクエリは、多くの場合、文字通りの内容以上の情報を含んでいる。つまり、ユーザーはリンが暇かどうか、機嫌が良いかどうか、あるいは今話しかけても大丈夫かどうかを知りたい場合もある。標準的なツール使用エージェントは文字通りの質問に答えて終了する。AURAは、シーン認識とツール使用の間に推論ステップを挿入し、IntentFrame（意図フレーム）を生成する。これは暗黙的なニーズを構造化して推定したもので、スカラーのギャップスコアを持ち、これがクエリごとの探索予算とツール選択を制御する。4シーン・100クエリの暗黙的意図ベンチマークにおいて、AURAはReActスタイルの探索と比較して暗黙的ニーズのカバレッジを向上させた（差 = +0.07, p < 10^-6）。4シーン中3シーンで個別に有意であり、この改善は別のバックボーンでも再現された。また、プロンプトアブレーションにより、この向上は回答の記憶ではなくギャップ調整に起因することが示された。事実確認のルックアップにおいては、コントローラーは生の精度と引き換えに82%少ない探索回数と、プライバシーに敏感なスライスでの禁止ツール違反ゼロを達成した。適用範囲の条件は制限事項に詳述されている。コード、シミュレーター、ベンチマークはhttps://github.com/innovation64/AURAで公開されている。

English

A situated query like "where is Lin Wei?" often encodes more than its literal content: the user may also want to know whether Lin Wei is free, in a good mood, or worth interrupting now. Standard tool-use agents answer the literal question and stop. AURA inserts an inference step between scene perception and tool use that produces an IntentFrame: a structured estimate of the implicit need with a scalar gap score that controls per-query probe budget and tool selection. On a 100-query four-scene implicit-intent benchmark, AURA improves implicit-need coverage over ReAct-style probing (Delta = +0.07, p < 10^-6); three of four scenes are individually significant, the gain reproduces on a second backbone, and a prompt ablation attributes the lift to gap calibration rather than answer memorisation. On factual lookup the controller trades raw accuracy for 82% fewer probes and zero forbidden-tool violations on a privacy-sensitive slice; scope conditions are detailed in Limitations. Code, simulator, and benchmark are released at https://github.com/innovation64/AURA.