CAM-DF 把代理工具排序改成成本停止決策，工具暴露量減少 37%

工具路由器通常先為搜尋、資料庫與連接器計算相關性分數，再取固定的 top-k 或以門檻截斷；但這種做法沒有同時考慮每項工具不同的延遲、金錢成本、上下文占用與資料暴露風險。7 月 29 日提交的研究將問題重新表述為「排序前綴上的成本感知停止決策」，提出 CAM-DF 與較易解釋的 CAM-DF-lite。

訓練時，系統對每個候選前綴計算「現在停止」與「繼續至事後最佳位置」之間的效用差。差值正負成為停止標籤，幅度則用來提高高代價誤判的權重；因此模型學習的不是工具集合看起來是否足夠，而是下一項工具的預期價值能否抵銷其成本。論文並證明，在工具成本異質時，僅依相關性分數單調截斷一般無法恢復最佳決策。

研究涵蓋五個工具使用領域、共 1,343 項任務。在 τ-bench Retail 上，CAM-DF 對五種上游排名器及兩種成本設定，效用皆高於「先預測充分性、再套門檻」基線；優勢在成本壓力較高或排名器較弱時更明顯。端到端執行中，代理接觸的工具數比全量載入少 37%，觀察到的任務成功率則大致相當。這對大型 MCP 或企業連接器目錄尤其重要：少載入工具不只節省 token，也縮小模型看見敏感 schema、說明與參數的範圍。

不過，CAM-DF 目前只在執行前沿著既定排名選擇前綴，尚不會根據工具回傳內容重新評估下一步，也依賴離線效用標籤與人工成本函數。論文未附獨立程式庫，且部分實驗沿用 τ-bench；該基準的原始任務後來出現修訂。工程團隊接下來應觀察方法能否在新版任務、真實延遲及權限成本下重現，並擴充為每次工具呼叫後都可更新的序列決策器。