随着AI智能体能力的增强，其高昂的资源消耗成为落地应用的瓶颈。这篇来自顶尖机构的综述，系统性地从记忆、工具学习和规划三大支柱，梳理了构建高效智能体的关键技术，旨在实现性能与成本的最佳平衡。
智能速览
AI智能体的运行成本远超单一LLM，效率是普及关键。
高效记忆通过压缩信息和管理生命周期，避免上下文爆炸。
工具学习优化的核心是减少调用次数，并行化和成本感知是主流。
高效规划将思考视为资源受限问题，通过结构化搜索和任务分解提速。
多智能体协作需优化通信拓扑，蒸馏技术可降本增效。
未来智能体设计需追求“效果-成本”的帕累托最优。
精华内容
构建高效智能体，并非简单地压缩模型，而是需要一场系统性的设计革命，深入其运行的每一个环节。
高效记忆管理
智能体记忆需避免无限膨胀导致“上下文爆炸”。高效策略分为构建、管理与访问。构建上，通过文本摘要或隐式向量压缩形成工作记忆，或将经验条目化、图谱化存入外部记忆。管理上，采用基于遗忘曲线的规则衰减或让LLM自主决策记忆的增删改，实现动态“新陈代谢”。访问则结合规则、图结构或分层检索，精准定位所需信息，兼顾效率与精准度。
精简工具调用
工具调用是延迟和成本的主要来源。优化从三方面入手：工具选择阶段，通过检索模型、多标签分类或创新的“toolken”词表技术，快速定位所需工具；工具调用阶段，借鉴编译器思想进行并行调用，或在强化学习中加入成本惩罚，激励智能体“省钱”；工具集成阶段，让模型学习何时该依赖自身知识，何时该调用外部工具，实现成本与性能的自主权衡。
加速规划推理
规划是智能体的“大脑”，但过度思考会带来高延迟。单智能体优化采用“快慢系统”自适应控制，或利用MCTS、A*等算法进行结构化搜索剪枝，并将复杂任务分解为可并行的小任务。多智能体系统则通过优化链式或DAG拓扑结构，降低通信开销，甚至将多智能体协作的“集体智慧”蒸馏到一个单模型中，以单智能体的成本实现高质量决策。
系统性思维
这篇综述的核心贡献在于提出了系统性思维。效率不再是附加项，而是与效果并列的一阶目标。记忆、工具、规划三者相互影响，需协同优化。其背后共通的哲学是“抽象”——用技能替代规划路径，用摘要替代冗长对话。这标志着智能体设计正从单纯追求能力，转向追求“效果-成本”帕累托最优的精打细算。
这份技术地图为构建可持续的AI智能体指明了方向。未来，如何在资源约束下最大化智能，将是推动AI从实验室走向真实世界的关键一步。一个“精打细算”的智能伙伴时代正在到来。
