研究：工具调用成本与模糊目标提示使 LLM 购物智能体做出次优选择

当购买权委托给 LLM 时，面向人类的定价线索是否仍造成次优选择，以及这是否取决于选择当下的信息状态。

• 场景：作者称消费者正把端到端购买交给作为 surrogate consumer 的 LLM，平台已部署能搜索、比较并完成购买的智能体。just-below pricing 与促销折扣框架长期被用来触发人类启发式规则。买方换成自主智能体后，这些线索是否仍影响购买、以及如何影响，作者称为未解问题。
• 既有不足：作者认为既有工作多把启发式样行为当成训练中写死的静态缺陷，只记录是否出现，而不说明由什么产生。只观察最终选择，无法区分智能体算过单位价格但过度加权营销线索，还是信息状态使规范计算从未被尝试。
• 核心假设：启发式样购买是承诺选择时所持信息状态的性质。零售商通过平台设计决定属性获取成本，消费者通过委托提示的具体性决定哪些属性被当作诊断属性。高成本加上模糊目标，会使智能体截断搜索并选次优。
• 本文做法：提出 Tool-Lab，把商品属性放在付费工具调用之后，记录选择前的获取序列；在八个商用 LLM 上检验尾数定价与促销框架，并对照全信息基线与外生指定的信息状态。
• 决策设定：委托方把购买权交给 LLM。LLM 只能用 inspect_cell 查看隐藏属性，再用零成本的 submit_choice 提交选择；每次查看的金钱成本由实验环境设定，记在委托消费者账上。目标要么是模糊的 “find the best deal”，要么是写明最低每盎司价格。规范目标是单位价格最小化；选择最优性指是否选中该目标下的选项。

替代消费者与硅基样本

• Solomon (1986)：把 surrogate consumer 定义为消费者让渡决策权、由其评估并购买的主体。作者用此框架描述 LLM 查询 API、浏览目录并代为完成交易（另引 Schick et al., 2023; Wang et al., 2024; Google DeepMind, 2026）。
• 硅基样本：Joerling (2025)、Sarstedt et al. (2024) 等把 LLM 当作被动受访者，用来模拟问卷、辅助营销研究。作者称消费者侧的前沿是自主购物助手，而不是这类被动样本。
• 企业侧 GenAI：Prasanna and Kushwaha (2025)、Grewal et al. (2025) 等讨论企业战略。作者把它们与“智能体本身如何做选择”分开，未逐篇对比。

理性与启发式并存

• 分析型表现：Horton et al. (2023)、Brand et al. (2023)、Cillo and Rubera (2025) 等报告，标准离散选择中 LLM 可评估期望值、遵守向下倾斜的需求并做多属性补偿评估。作者援引 Huang and Rust (2021)，称之为分析型（thinking）AI。
• 启发式样表现：Binz and Schulz (2023)、Hermann and Puntoni (2025) 记录经典认知异常；Pescher (2026)、Goli and Singh (2024)、Xie (2026) 涉及框架效应、跨期不耐与对抗性提示扰动。Filandrianos et al. (2025)、Wadi and Ma (2026b) 报告，客观属性不变时，促销框架和赞助线索仍可扭曲推荐。
• 能力不能收束该悖论：Echterhoff et al. (2024)、Knipper et al. (2025)、Malberg et al. (2025) 的认知偏差基准。作者称提高计算能力并不能消除这一悖论，需要看任务与情境何时把 LLM 推向分析模式或启发式模式。

定价线索、过程追踪与结果审计

• 营销线索：Thomas and Morwitz (2005)、Lacetera et al. (2012)、Bizer and Schindler (2005) 讨论 just-below pricing 使人过度看最左整数、忽略分数美分。Thaler (1985)、Inman et al. (1990) 用交易效用解释折扣框架。作者称这些线索与精确效用计算直接竞争，不同于 Linda 问题或 Wason 任务一类抽象逻辑题。
• 信息板：Johnson et al. (1989)、Payne et al. (1993)、Willemsen and Johnson (2011) 的 Mouselab 把属性放在关闭的格子后，直接观察人类获取了什么。Tool-Lab 把该范式接到多轮工具调用。
• 只看最终选择：Allouah et al. (2026)、Pezeshkpour and Hruschka (2024)、Liu et al. (2024)、Yin et al. (2026)、Wadi and Ma (2026a) 从最终选择记录位置偏差和跨模型差异。作者称这类结果数据不能区分利用失败与获取失败，并把“启发式写死在参数里”视为未经直接检验、且因专有万亿 token 语料而几乎无法检验的隐含假设。

基线与本文定位

• 基线方法：总是选择最低单位价格的规范目标优化器；Web Appendix H 的 Expectimax（myopic 与 2-step lookahead）。全信息基线用各 LLM 独立的条件 logit，检验美分相对美元、折扣节省相对标价的边际替代率是否为 1。选择集是自建的咖啡非占优集合，不是外部命名基准。
• 作者把启发式样选择定位为店面信息架构与委托提示共同作用的结果，而不是只能归因于训练语料中的人类有限理性；分析单位从孤立的 LLM 转到在信息架构中行动的智能体。

Tool-Lab 改编信息板过程追踪：属性默认隐藏，LLM 付费查看后再选择。规范基准是包装商品的单位价格最小化，即选择使 Price_j/Weight_j 最小的选项。偏离该目标被作者定义为选择次优；启发式则是为节约资源而替换更简单目标，或只在缩减后的属性集上评估规范目标。

诊断属性与两条截断路径

• 诊断属性进入单位价格方程：标价、整美元、美分、折扣百分比、重量。其余如包装、产地、热量、烘焙日期为非诊断属性。
• 具体目标写明要优化的函数（最低每盎司价格），从而划定诊断集。模糊目标（“find the best deal”）允许多种解释，目标指定部分留给 LLM。
• 作者提出高成本下模糊目标减少诊断获取的两条路径，主实验不区分二者：一是把“价格/重量”换成更简单的“价格”；二是省略相对获取成本而言期望信息价值低的属性，例如美分。两条路径都会在被省略属性改变排序时导致次优。
• 假设为：模糊目标负向调节获取成本与诊断获取的关系（H1）；诊断获取正向关联选择最优性（H2）；成本经由诊断获取影响最优性的间接效应受提示具体性调节（H3）。

Tool-Lab 机制

• 选项与属性构成隐藏的 M×N 格子。环境暴露两个工具：inspect_cell 与 submit_choice。每轮只能调用一个工具。查看返回 JSON：揭示值、本次成本、累计成本。submit_choice 零成本并结束会话。
• 获取成本是向委托消费者收取的明确金钱成本。作者用该词同时指外部约束（属性如何放置、API 载荷结构）和内部约束（推理努力、多轮工具调用倾向、RLHF 对速度与成本的校准）；实验操纵的是外部金钱成本。
• 记录选择前的获取序列，从而把次优分成两类：诊断信息已齐但仍选错（利用失败），或诊断信息未齐（获取失败）。若供应商开放推理痕迹，也可记录工具调用之间的推理（Web Appendix E）。
• 每次会话为独立 API 对话，选项标识与属性行顺序随机，官方客户端、默认解码、严格 JSON schema。规格与快照标识在 Web Appendix I。

两个主实验的操纵

• Study 1 用两选项陷阱隔离尾数定价。Coffee A 为 4.99 美元、10 oz，单位价格 0.499 美元/oz；Coffee B 为 5.00 美元、11 oz，0.455 美元/oz，为规范最优。价格拆成 price_dollars 与 price_cents。每选项三个诊断属性，共 6 个；另有 4 个非诊断属性且两选项取值相同。设计为 2（每次查看 0 或 10.00 美元）× 2（模糊或具体目标），八个 LLM，每格 100 次，共 3,200 会话。购买量写成 5 袋，使找出更优商品的盈余在算术上能覆盖累计工具成本。
• Study 2 把折扣框架放进三选项：Coffee C 最低标价、Coffee D 带折扣线索、Coffee E 最低单位价格（Table W17）。计算净支出再除以重量。诊断格 9 个，非诊断格 12 个。因折扣的期望信息价值高于美分，成本条件改为每次查看 0 或 50.00 美元。同样 2×2、八模型、每格 100 次，共 3,200 会话。
• 全信息基线先把诊断属性直接放进单次提示：Study 1 为 1,014 个四品牌、非占优咖啡选择集；Study 2 为 1,149 个，随机一半选项带 5% 到 40% 折扣，净价不直接给出。

测量与估计

• 选择最优性：submit_choice 是否选中规范最优项（Study 1 为 Coffee B，Study 2 为 Coffee E），编码为 0/1。诊断获取：提交前查看的诊断格数量，上限分别为 6 和 9。
• 结构检验用 Stan/brms 的贝叶斯多层调节中介（Hayes Model 7）。第一阶段以诊断获取对成本、提示具体性及其交互回归；第二阶段用线性概率模型，以便间接效应按概率单位相加。LLM 有随机截距和随机斜率。每次估计 4 条链、预热后 12,000 次抽样。先验与诊断见 Web Appendix D。
• 解码保持供应商默认。附录写明 Gemini 的 temperature 为 1.0、top-p 为 0.95；OpenAI 与 Anthropic 的 temperature 为 1.0、top-p 为 1.0。推理努力默认：Flash Lite 为 minimal，Flash 与三个 GPT 5.6 为 medium，Pro 为 high，两个 Claude 为 adaptive 且 effort 为 high。

实验设置

• 被测模型：Gemini 3.5 Flash Lite、Gemini 3.8 Flash、Gemini 3.1 Pro、GPT 5.6 Luna、GPT 5.6 Terra、GPT 5.6 Sol、Claude Sonnet 5、Opus 5。作者称共八个商用 LLM，来自 Google、OpenAI、Anthropic。
• 主设计：Study 1 Tool-Lab 为 0 对 10.00 美元 × 模糊/具体，3,200 会话；Study 2 为 0 对 50.00 美元 × 模糊/具体，3,200 会话。每格 100 次独立蒙特卡洛会话。全信息基线分别为 1,014 与 1,149 个选择集。作者称两项主研究、若干稳健性与两项验证合计 N = 16,400 会话；验证实验 N = 5,200。
• 对照：规范目标优化器；Expectimax（Web Appendix H）。最优性由规则编码，不是 LLM 裁判。
• 指标：选择最优性；诊断获取及分属性获取；调节中介的 a 路径、b1 与 IMM。全信息基线另报条件 logit 系数及 Fieller 区间。
• 评审模型：购买量实验才用独立裁判 LLM 给首次工具调用前的推理痕迹分类。主裁判为 NVIDIA Nemotron 3.5 Lightning 30B-A3B；Qwen 3.8 27B 与 Ornith 1.0 35B 作复核。人工分层子样本 120 条。
• 稳健性样本：提示改写在三个 Gemini 上，N = 3,600（含 2,400 个新会话）；价格不拆分 N = 1,200；购买量 N = 1,200。外生信息状态 Study 1 为 1,600、Study 2 为 2,000，每格 50 次。同步报告计价共 1,600 会话。

主结果

Study 1 Tool-Lab 的选择最优率（每格 n = 100；据 Table W4）：

表格较宽，可左右滑动

LLM	模糊、0美元	模糊、10美元	具体、0美元	具体、10美元
Flash Lite	0.47	0.35	0.54	0.75
Flash	1.00	0.16	1.00	0.79
Pro	0.76	0.07	1.00	0.99
Luna	0.96	0.84	1.00	1.00
Terra	0.96	0.22	1.00	0.99
Sol	1.00	0.18	1.00	1.00
Sonnet	1.00	0.53	1.00	1.00
Opus	1.00	0.00	1.00	0.14

• 跨八模型均值（Table 1）：具体、0 美元时诊断获取 6.00、最优率 0.94；具体、10 美元时为 5.72 与 0.83，下降来自美分（1.72），重量与美元仍为 2.00。模糊、10 美元时诊断获取 3.81、最优率 0.29；美元仍为 1.94，美分 0.77、重量 1.10。
• Table 2：成本×模糊目标的 a3 = -1.727（95% CI [-2.641, -0.765]）；诊断获取对最优性的 b1 = 0.263（[0.196, 0.329]）；IMM = -0.451（[-0.704, -0.194]）。模糊目标下间接效应 -0.522，具体目标下 -0.070 且 CI 含 0。成本的直接效应 c′ = -0.100，CI 含 0。作者称最优率下降主要通过诊断获取被截断。
• 分模型例外：Luna 的 IMM = -0.063，CI [-0.158, 0.033] 含 0（Table W6）。作者称七个 LLM 支持 H1–H3。具体目标加 10 美元后，Opus 最优率仍为 0.14；Flash Lite 在具体、零成本下也只有 0.54。

Study 2：促销折扣框架

• 跨模型均值（Table 3）：具体、0 美元时诊断获取 8.98、最优率 0.90；具体、50 美元时为 8.26 与 0.88，折扣百分比降至 2.50。模糊、50 美元时诊断获取 4.82、最优率 0.48；标价 1.94、折扣 1.58、重量 1.31。模糊、零成本时诊断获取为 9.00、最优率 0.86。
• Table 4：a3 = -2.902（[-5.027, -0.539]），b1 = 0.078（[0.016, 0.141]），IMM = -0.228（[-0.521, -0.009]）。c′ = -0.006，CI 含 0。作者称选择变差主要通过诊断属性被截断，并称八个模型中六个支持三条假设。
• 分模型（Table W18、W20）：模糊、50 美元时 Luna 诊断获取仍为 9.00、最优率 0.93，IMM 的 CI 含 0。Flash Lite 在具体、零成本下最优率 0.27，模糊、50 美元时为 0.09，且 b1 = -0.051（CI 不含 0）。Sol 在模糊、50 美元时诊断获取 0.46、最优率 0.28。

外生信息状态与计价报告

• 信息状态由提示外生给定、零成本、无 inspect_cell。完整诊断集下，八个模型中七个的合并最优率为 Study 1 的 99.7%、Study 2 的 98.6%。诊断属性被扣留时，这七个模型在 2,434/2,450 次截断试验（99.3%）中与给定信息下的 Expectimax 一致。作者称，只看到较低整美元或较低标价时选它们，符合有限信息下的规范推断。
• Flash Lite 是例外：完整诊断信息、零成本下，Study 1 最优率 4.0%，Study 2 为 0.0%（Web Appendix F）。
• 要求在 submit_choice 中同时报告各选项计价时，八个 LLM、两个环境、各成本下算术失败均为 0.0%。未查看格子被报为 unknown 的情况居多，幻觉为 0.0% 至 8.5%（Table W35、W36）。作者称该实验只说明次优不能严格归因于不会计算规范目标；强制报告单位价值可能充当草稿纸并改变选择。

购买量与所采用目标

• 模糊目标、零获取成本下，把购买量从 1 袋增至 250 袋（三个 Gemini，每格 100 次）。Flash 诊断获取保持 6.00、最优率 1.00。Pro 的诊断获取从 5.55 降至 4.22，最优率从 .80 降至 .35；Flash Lite 最优率从 .62 降至 .37（Table W12）。
• 主裁判对 Pro 的首次推理分类：1 袋时 62.0% 表述单位价格目标、38.0% 表述绝对价格目标；250 袋时绝对价格目标为 84.0%（Table W13）。固定购买量后，采用绝对价格目标的会话少获取 1.10 至 1.95 个诊断格，选中最优项的比例低 42 至 64 个百分点（Table W14，95% bootstrap CI 不含 0）。人工与主裁判一致率 89.2%，Cohen’s κ = .78（n = 120）。作者认为该证据提示性而非结论性。

其他消融与分析

• 提示改写（三个 Gemini，Table W8）：Pro 的 a3 为 -2.63 至 -3.20，Flash 为 -2.06 至 -2.56，95% CI 均不含 0；Flash Lite 在句子前移时 a3 = -0.120，CI 含 0。
• 价格合并为单一属性（Table W11）：Flash Lite、Flash、Pro 的 IMM 为 -0.357、-0.149、-0.622，CI 均不含 0；截断从美分转到重量。
• 全信息美分/美元比（Table W2）：0.55 至 1.12；七个模型的 95% CI 含 1.00；Flash 为 0.55，CI [0.19, 0.90]。
• 全信息折扣金额/标价比（Table W16）：六个模型为 0.99 至 1.03 且 CI 含 1.00；Opus 为 1.15，Flash Lite 为 0.72。
• Expectimax（Table W37）：Study 1、每次 10.00 美元时两种视野均为 3 次查看；myopic 最优率 0.00，2-step 为 1.00。
• 全信息基线中 Terra 与 Sol 在全部 1,014 个选择集上选择相同（Table W2 注）。

作者指出的局限与后续方向

• 痕迹不是神经机制：Tool-Lab 记录工具调用序列，以及供应商开放时的推理痕迹。作者在 Limitations 写明，痕迹是 LLM 如何描述任务的口头报告，不是产生行为的网络激活；结果说明截断何时带来启发式样选择，但不能排除训练数据统计规律或规划限制等对截断原因的其他解释。痕迹只对开放该接口的 LLM 可用，且只在购买量研究的三个 Gemini 模型上做了分类；区分目标替换与按信息价值省略的证据是提示性的。后续可把 Tool-Lab 与开源权重上的激活修补结合，或在固定所述目标时改变特定属性的期望信息价值。
• 个别模型的反向结果未解释：假设针对的是所测 LLM 样本上的模式。作者写明 Study 2 中 Flash Lite 即使有完整诊断信息仍选次优，且不解释单个 LLM 的差异，因为训练数据、工具使用调参和推理努力设置未披露且一起变化。后续可在同一 LLM 内操纵推理努力，寻找获取与选择路径的模型层调节因素。
• 金钱成本不同于部署中的内部成本：作者写明，每次查看向委托消费者收费使成本外生、可测，但不同于部署中智能体遇到的内部成本。后续可检验真实电商环境中的成本是否带来类似的诊断截断，以及推理努力等内部成本是否与明确金钱成本效果相当。
• 最优率不是消费者福利：作者写明，该指标不计入搜索成本；高成本下若干 LLM 获取了大部分诊断属性并选对，但发生的成本超过购买成本。最优率捕捉决策质量，不捕捉福利。后续可用合并商品价值、搜索成本与时间的福利指标。
• 品类、刺激与目标措辞：作者写明只研究单位价格最小化含义明确的包装商品，且每个 Tool-Lab 研究一种刺激配置（Study 1 两个选项，Study 2 三个）。更大选择集、不同价格水平和不同单位价格优势可能改变被省略的属性。具体目标提示精确写出了规范目标，其保护作用可能是目标具体性收益的上界。后续可测更接近日常的委托，包括多属性偏好和情感性请求，以及搜索前先澄清问题的智能体。
• 静态单智能体：作者写明研究把一个购物智能体放在静态环境中，未捕捉卖方智能体随买方搜索调整商品信息的策略互动。后续可考察这些互动，包括卖方是否学会利用文中记录的省略模式。

实验覆盖范围

• 主结果被测模型为上述八个商用 LLM；主 Tool-Lab 每格 100 次独立会话，验证实验每格 50 次。
• 定价线索为 just-below pricing 与 promotional discount framing；主成本为 0 对 10.00 美元、0 对 50.00 美元。Expectimax 另在附录给出 0.01、0.10、1.00 美元等档。
• 提示改写、价格不拆分和购买量操纵使用 Flash Lite、Flash、Pro；购买量在模糊目标、零获取成本下比较 1、5、50、250 袋。
• 外生信息状态覆盖 Study 1 的四个状态与 Study 2 的五个状态，含诊断格数相同但诊断/非诊断构成不同的对照。同步报告计价覆盖八个 LLM 与两个成本。
• 选择最优性按是否选中最低单位价格选项编码。推理痕迹分类仅用于购买量实验，主分析用 Nemotron 标签；论文未报告各条件的墙钟时延。

作者用 Tool-Lab 考察：面向人类有限理性的定价线索，在 LLM 担任替代消费者时是否仍影响购买，以及这种影响由选择当时的信息状态、而不是只由模型本身决定。

• 问题：零售商决定属性有多难获取，消费者决定委托目标有多具体。作者假设，获取要花钱且目标模糊时，智能体会少看计算单位价格所需的属性，从而做出类似人类启发式的次优选择。
• 做法：属性藏在 inspect_cell 之后，提交选择不收费。Study 1 用 4.99 美元/10 oz 对 5.00 美元/11 oz 的尾数陷阱，成本为 0 或 10.00 美元；Study 2 用三选项折扣框架，成本为 0 或 50.00 美元。八个商用 LLM，每格 100 次。规范目标是最低单位价格。
• 全信息：作者报告定价线索很少扭曲选择。美分相对美元的敏感度比在 0.55 至 1.12，八个模型中七个的 95% CI 含 1.00（Table W2）。折扣节省相对标价，六个模型的比在 0.99 至 1.03 且 CI 含 1.00（Table W16）。
• 有成本的搜索：模糊目标、每次 10.00 美元时，八模型平均最优率 0.29，诊断获取 3.81（Table 1）；具体目标、零成本时为 0.94 与 6.00。Study 2 模糊目标、每次 50.00 美元时平均最优率 0.48（Table 3）。两研究的 IMM 分别为 -0.451 与 -0.228，95% CI 不含 0；成本对最优性的直接效应 CI 含 0。作者称下降主要通过诊断获取被截断。Luna 在成本下仍维持诊断获取；Flash Lite 在信息齐全时仍常选次优。
• 验证：外生给定完整诊断信息时，七个模型的合并最优率为 99.7%（Study 1）和 98.6%（Study 2）。截断状态下，这七个模型有 99.3% 的试验与 Expectimax 一致。报告计价时算术失败率为 0.0%。
• 作者的结论：营销启发式在委托购物中受店面信息架构支配，不一定是不可改变的 LLM 缺陷。作者建议零售商让诊断属性易于被智能体获取，消费者写明评价标准，开发者在搜索前澄清模糊目标并审计所部署的具体 LLM，监管者考虑把单价披露延伸到提供给智能体的商品信息。