大型语言模型（LLM）Agent在执行工具调用任务时，经常会因为用户指令模糊或不完整而“犯错”，导致工具被错误调用，进而任务失败。现有的一些解决方案通常在非结构化的语言空间中操作，通过提示策略生成澄清问题，但这些策略缺乏原则性的标准来决定何时提问以及问什么问题。
针对这一痛点，一项最新研究提出了一种具有开创性的“结构化不确定性”（Structured Uncertainty）框架。该框架直接作用于工具的参数及其定义域，清晰地将“规格不确定性”（specification uncertainty，即用户到底想要什么）与“模型不确定性”（model uncertainty，即LLM预测的准确性）分离开来。研究人员利用“完美信息期望价值”（Expected Value of Perfect Information, EVPI）来量化每个潜在澄清问题的消歧价值，并结合“基于方面的成本模型”（aspect-based cost modeling）来有效避免冗余提问。
这项研究通过两个实际应用展示了该框架的强大能力。首先，在推理阶段，名为SAGE-Agent的系统利用结构化不确定性进行问题选择，与强大的提示工程方法及其他不确定性基线相比，SAGE-Agent在处理模糊任务时的任务覆盖率提高了7%到39%，同时将澄清问题的数量减少了1.5到2.7倍。
其次，研究表明结构化不确定性还能为训练过程提供有效的信号。通过不确定性加权的GRPO（Generalized Policy Optimization）训练，使用不确定性引导的奖励模型（reward modeling）显著提升了When2Call工具调用模型的准确性。具体而言，3B模型（30亿参数）的准确率从36.5%提升至65.2%，而7B模型（70亿参数）的准确率从36.7%提升至62.9%，这充分证明了该方法在提升工具调用Agent强化学习样本效率方面的巨大潜力。
为了全面评估这一框架，研究团队还发布了ClarifyBench，这是首个多轮动态工具调用消歧基准测试。这些结果共同确立了结构化不确定性作为一个原则性框架，能够显著提高工具增强型Agent在推理时的交互效率和训练时的样本效率。