LLM 에이전트는 도구 호출 기능을 갖춘 대규모 언어 모델을 확장하지만, 모호한 사용자 지침은 종종 잘못된 호출과 작업 실패로 이어진다. 본 논문은 도구 호출 매개변수에 대한 구조화된 불확실성 공식을 도입하여, 최적의 질문 선택을 위한 Expected Value of Perfect Information (EVPI) 목표와 중복을 방지하기 위한 측면 기반 비용 모델링을 갖춘 POMDP로 공동 도구-인수명세 명확성을 모델링한다. SAGE-Agent는 이러한 구조화된 불확실성을 활용하여 효율성을 향상시킨다: 강력한 프롬프트 및 불확실성 기반 기준선에 비해 모호한 작업에 대한 범위를 7-39% 증가시키고 명확화 질문을 1.5-2.7배 줄였다. 또한, 본 논문은 문서 편집, 차량 제어 및 여행 예약과 같은 다양한 도메인에서 현실적인 LLM 기반 사용자 시뮬레이션을 갖춘 최초의 다중 턴 도구 보강된 명확화 벤치마크인 ClarifyBench를 제시한다. 구조화된 불확실성은 강화 학습을 위한 효과적인 훈련 신호를 제공하여, When2Call 정확도를 3B 모델에서 36.5%에서 65.2%로, 7B 모델에서 36.7%에서 62.9%로 향상시켰다.
