예산 제약이 있는 에이전트형 거대 언어 모델: 고비용 도구 사용을 위한 의도 기반 계획

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

본 연구는 거대 언어 모델이 엄격한 금전적 예산 내에서 외부 도구를 호출하여 다단계 작업을 해결해야 하는, 예산 제약이 있는 도구 증강 에이전트를 다룹니다. 우리는 이 설정을 가격이 책정되고 확률적인 도구 실행이 포함된 컨텍스트 공간에서의 순차적 의사결정 문제로 공식화합니다. 이러한 환경은 방대한 상태-행동 공간, 결과의 높은 분산, 그리고 감당하기 힘든 탐색 비용으로 인해 직접적인 계획 수립을 난해하게 만듭니다. 이러한 문제를 해결하기 위해, 우리는 의도 인식(intention-aware) 계층적 세계 모델을 활용하여 미래의 도구 사용과 위험 보정 비용을 예측하고 온라인 의사결정을 유도하는 추론 시점 계획 프레임워크인 INTENT를 제안합니다. 비용 요소가 추가된 StableToolBench 실험 전반에 걸쳐, INTENT는 엄격한 예산 제약 조건을 철저히 준수하면서도 베이스라인 대비 작업 성공률을 상당히 개선하였으며, 도구 가격 변동 및 예산 변화와 같은 동적인 시장 변화에서도 견고함을 유지했습니다.

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.