AURA: 상황 기반 LLM 에이전트에서 암묵적 필요를 표면화하기 위한 의도 지향적 프로빙

초록

위치 기반 질의(예: "Lin Wei 어디 있어?")는 종종 문자 그대로의 내용 이상을 함축한다. 사용자는 Lin Wei가 한가한지, 기분이 좋은지, 또는 지금 방해해도 될 만한지도 알고 싶어할 수 있다. 표준 도구 사용 에이전트는 문자 그대로의 질문에 답하고 멈춘다. AURA는 장면 인식(scene perception)과 도구 사용 사이에 추론 단계를 삽입하여 IntentFrame을 생성한다. IntentFrame은 암묵적 요구에 대한 구조화된 추정치로, 스칼라 갭 점수(scalar gap score)가 포함되어 있어 질의별 탐색 예산과 도구 선택을 제어한다. 100개 질의, 4개 장면으로 구성된 암묵적 의도 벤치마크에서 AURA는 ReAct 스타일 탐색 대비 암묵적 요구 커버리지를 개선했다(Delta = +0.07, p < 10^-6). 4개 장면 중 3개는 개별적으로 유의미했으며, 이 개선 효과는 두 번째 백본(backbone)에서도 재현되었다. 프롬프트 절제 실험(prompt ablation)을 통해 이러한 향상이 답변 암기가 아닌 갭 보정(gap calibration)에 기인함을 확인했다. 사실 조회 과제에서는 제어기가 원시 정확도를 일부 희생하는 대신 탐색 횟수를 82% 줄였으며, 개인정보 보호에 민감한 슬라이스에서 금지된 도구 위반이 전혀 발생하지 않았다. 적용 범위 조건은 한계점(Limitations)에서 자세히 설명한다. 코드, 시뮬레이터, 벤치마크는 https://github.com/innovation64/AURA에서 공개된다.

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.