大型语言模型（LLM）在信息不完整的情境下辅助决策时，除了最终答案，何时查询以及何时停止同样关键。现有模型容易陷入信息陷阱：为无法改变决策的高成本证据付费，或在已有足够证据时仍继续查询。
为了解决该问题，本文提出 Decision‑Informed Value‑of‑information Acquisition（DIVA），一种基于证据决策价值的简洁信息检索流程。DIVA 的核心步骤包括让 LLM 通过简短的数值问答构建一个小型决策模型，估计不良结果的概率以及每项检查对该概率的影响；随后对每个候选检查计算价值‑成本比，只有在该比值为正时才执行检查，并在没有检查值得其成本时停止。
DIVA 的扩展版本 DIVA‑U 进一步考虑 LLM 对每项检查影响程度的估计不确定性，通过对概率变化的分布进行期望计算，使价值评估更为稳健。
该方法无需额外训练，可直接应用于任意 LLM。实验在四个领域、20 种 LLM 上进行：在真实数据集上，DIVA‑U 的后悔值（相对最佳决策的价值损失）低于所有基线模型，主要得益于能够在证据足够时及时停止查询；在合成场景（已知每项检查的可靠性）中，DIVA 将最佳基线的后悔值降低了 75%。
代码已开源：github.com/seunghan96/diva
点评：DIVA 通过显式量化信息价值，实现了对查询成本的理性控制，展示了在实际决策任务中提升 LLM 效率和可靠性的可行路径。