这篇来自上海AI Lab等9所高校的综述论文，系统梳理了高效智能体技术的最新进展。文章聚焦如何通过优化记忆、工具学习和规划三大核心模块，在最大化任务成功率的同时最小化资源消耗，为构建更智能、更高效的AI系统提供了清晰的路线图。
智能速览
高效智能体通过优化记忆、工具和规划模块提升性能
工作记忆分为文本型和隐式型两种架构
工具学习三大范式：外部检索、多标签分类、词汇检索
多智能体协作面临O(N²)通信成本挑战
研究趋势从最大化工具使用转向最小化冗余交互
精华内容
智能体的效率危机源于input-solution循环导致的token复合累积，第n步的输出成为第n+1步的输入成本，产生高昂推理成本和缓慢响应时间。提升效率需从记忆、工具学习和规划三大模块入手。
高效记忆机制
记忆模块分为工作记忆和外部记忆两大类。工作记忆中，文本型如COMEDY通过LLM提取会话特定记忆，压缩为关键事件；隐式型如Activation Beacon将上下文分块，渐进压缩激活值。
外部记忆包含项目型、图结构和层次化三种。项目型如MemoryBank基于艾宾浩斯遗忘曲线管理记忆；图结构如GraphReader构建捕获长程依赖的知识图谱；层次化如MemGPT采用OS风格虚拟内存分页管理。
工具学习优化
工具选择有三大范式：外部检索器通过独立模型嵌入计算相似度，适合动态工具池；多标签分类将固定工具集视为分类任务；词汇检索将工具嵌入为特殊token，效率最高但泛化受限。
工具调用技术包括原位参数填充、并行调用和成本感知调用。并行调用可将顺序延迟降至接近单步，但需准确识别任务依赖。RL训练方法在保持准确率的同时显著减少调用次数。
规划效率提升
单智能体规划通过策略优化、记忆与技能获取提升效率。多智能体协作面临O(N²)通信成本挑战，需要高效协调机制。
前沿趋势显示，研究正从"最大化工具使用求准确"转向"RL训练最小化冗余交互"的帕累托优化，追求准确性、计算效率和数据效率的平衡。
这篇综述为高效智能体研究提供了系统性的技术路线图。通过在记忆、工具学习和规划模块的持续创新，智能体系统正朝着更高效、更实用的方向发展。未来如何在保证性能的同时进一步降低计算成本，将是推动Agentic AI大规模应用的关键挑战。
