CASEL：面向长程工具智能体的后果感知选择性执行

CASEL 在模拟中按后果分配审查，降低工具调用有害副作用。

资讯摘要

论文提出 CASEL，一种与模型无关的运行时分配策略，针对工具调用结合校准失败概率、状态相关后果、可逆性、歧义与证据新鲜度，在直接执行、验证、沙箱、澄清、审批和弃权之间按各模式成本最小化选择。作者在20个随机种子的受控模拟中（每次12万测试动作、各方法干预菜单与算力相同）报告：有害副作用轨迹比例由不确定性排序门控的14.75%降至7.02%，平均归一化危害由0.184降至0.123。作者强调干预有效性是假设而非实测，结果仅在该模拟器假设下排序分配规则，未证明部署有效。

要点速读

1. CASEL 按失败概率、后果、可逆性、歧义和证据新鲜度，为每次工具调用选择执行、验证、沙箱、澄清、审批或弃权。
2. 模拟中 CASEL 将有害副作用轨迹从14.75%降至7.02%，平均归一化危害从0.184降至0.123。
3. 按失败概率与后果乘积排序的门控危害相近（5.82%），但送人工审批的动作多45%；去掉可逆性路由后升至15.53%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。