尽管大语言模型智能体发展迅速，但其效率问题常被忽视。这份研究系统性地探讨了如何从记忆、工具学习与规划三个维度提升智能体效率，为构建更实用、更低成本的AI系统提供了清晰的理论框架和实践方向。
智能速览
效率成为限制LLM智能体实际应用的关键瓶颈。
研究从记忆、工具学习、规划三大核心组件分析效率。
提出用帕累托前沿来权衡效能与成本的关系。
梳理了针对各组件的效率评估基准与指标。
探讨了智能体发展的未来挑战与方向。
精华内容
要将智能体从实验室推向实际应用，就必须攻克效率难题。这需要深入其内部构造，逐一优化。
高效记忆管理
记忆是智能体维持连贯对话和上下文理解的基础，但无限增长的上下文会带来巨大开销。为解决此问题，研究者们探索了多种高效记忆管理方案。核心思路在于对记忆进行压缩、筛选和主动检索。例如，通过构建摘要或关键信息索引，将长上下文压缩为固定大小的表示，从而在保证信息质量的同时，大幅降低token消耗和推理延迟。部分方法还引入了强化学习机制，让智能体学会动态地遗忘或保留信息，实现更智能的资源分配。
精简工具调用
智能体通过调用外部工具（如API、数据库）来弥补自身能力的不足，但频繁或错误的工具调用会严重拖慢整体效率。因此，精简工具调用成为关键。研究方向包括：利用强化学习奖励模型训练智能体，使其学会在何时调用工具、调用哪个工具，以最小的步数完成任务；设计更高效的工具选择机制，避免无效尝试。此外，通过预算控制，强制智能体在有限的调用次数内找到最优解，也能有效提升效率。
优化规划搜索
规划能力决定了智能体解决复杂任务的蓝图，但exhaustive（穷举式）搜索的计算成本极高。为提升规划效率，研究者们借鉴了传统AI领域的搜索算法，引入了受控搜索机制。这包括在搜索空间中进行剪枝，优先探索更有希望的路径；或者采用分层规划，将复杂任务分解为多个子任务逐步解决。这些方法旨在用更少的计算步数和更短的交互时间，生成高质量的解决方案，而非盲目地尝试所有可能性。
评估与未来
如何客观评估效率至关重要。该研究不仅提出了“固定成本看效能”和“固定效能看成本”的帕累托前沿视角，还系统梳理了现有的效率基准评测，如SWE-Bench、WebArena等，并归纳了延迟、Token消耗等核心指标。这为后续研究提供了统一的度量衡。展望未来，如何实现各组件间的协同优化、设计更通用的效率模型，以及应对更复杂的真实世界场景，将是推动高效智能体走向成熟的关键挑战。
这份综述为构建高效AI智能体描绘了一张清晰的路线图，从理论到实践均有涵盖。它不仅是研究者的宝贵资源，也预示着未来AI应用将更注重成本与性能的平衡。当效率不再是绊脚石，智能体将如何重塑我们的工作与生活？
