【Agent】Toward Efficient Agents

note

一、Toward Efficient Agents

【Agent技术总结】讲的故事是智能体的效率优化，从记忆、工具学习、规划三大核心组件展开系统综述，效率定义（固定成本下的效果、同等效果下的成本），梳理相关基准测试。Toward Efficient Agents: A Survey of Memory, Tool learning, and Planning，https://efficient-agents.github.io/，https://github.com/yxf203/Awesome-Efficient-Agents。https://arxiv.org/pdf/2601.14192v1。核心4点：

1）高效记忆【记忆构建：分为工作记忆（文本压缩、潜在状态存储，如COMEDY的对话蒸馏、MemoryLLM的潜在内存池）和外部记忆（基于项目、图谱、分层结构，如MemoryBank的遗忘曲线管理、Zep的时序知识图谱）->记忆管理：规则式（固定规则剪枝，低成本但缺乏适应性）、LLM式（动态决策增删改，自适应但耗资源）、混合式（规则触发+LLM优化，如MemoryOS的分层管理）->记忆访问：通过规则增强、图谱检索、LLM/工具驱动、分层检索等方式，精准提取关键信息，降低token消耗->多智能体记忆：支持共享记忆（跨智能体复用信息）、本地记忆（轻量化专属存储）、混合记忆（平衡共享与专属）】；

2）高效工具学习【工具选择：通过外部检索（如ProTIP的对比学习）、多标签分类（如TinyAgent的小型模型筛选）、词汇化检索（如ToolkenGPT的工具令牌化），快速匹配最优工具->工具调用：采用原地参数填充（如Toolformer的CoT集成）、并行调用（如LLMCompiler的并行执行）、成本感知调用（如BTP的预算约束规划），降低调用开销->工具集成推理：通过选择性调用（仅必要时触发工具）、成本感知策略优化（如ToolRL的奖励函数设计），将工具调用融入推理流程，提升效率】；

3）高效规划【单智能体规划：通过自适应预算分配（如SwiftSage的快慢思考模式）、结构化搜索（如LATS的蒙特卡洛树搜索）、任务分解（如ReWOO的规划-执行分离）、学习进化（政策优化与技能记忆存储），减少推理步骤->多智能体协作规划：通过拓扑优化（稀疏化交互结构，如Chain-of-Agents的线性传递）、协议优化（压缩通信内容）、协作蒸馏（将多智能体能力蒸馏为单模型，降低推理成本），减少协作开销】；

4）基准测试【记忆基准：评估有效性（如HotpotQA、LoCoMo）与效率（如MemBench的读写时间、StoryBench的token消耗）->工具学习基准：涵盖工具选择（如MetaTool）、参数填充（如BFCL）、多工具协作（如ToolBench），部分支持效率指标（token、延迟、调用次数）->规划基准：聚焦任务成功率与效率（如TPS-Bench的成本-通过率、CostBench的路径偏差）】