LLM驱动的智能体能力越强API调用开销就越“爆炸性”地增长。尽管技术演示令人惊艳但高昂的运营成本正严重威胁着应用的可扩展性和可及性。我们是否陷入了“为了性能不计成本”的怪圈今天为你深度解读一篇来自OPPO AI团队的重磅论文《Efficient Agents》它首次系统性地揭示了如何在不牺牲性能的前提下打造出“省钱又高效”的AI智能体。通过对基座模型、框架设计、工具使用等关键组件的精细调优他们构建的新框架Efficient Agents与业界领先的开源方案相比“通关成本”Cost-of-Pass指标实现了28.4%的显著优化而性能损失几乎可以忽略不计。论文地址https://arxiv.org/pdf/2508.02694核心发现1. 大道至简最强的记忆是最原始的记忆。只记录“历史观察和行动”的最简单记忆模式在效果和成本上完胜所有需要额外调用LLM进行“总结摘要”的复杂记忆机制。结论是在记忆模块上过度设计是性能和钱包的头号杀手。2. 给智能体设个“熔断”别让它“想太多”。将最大步数限制在一个**适中值如8步**是性价比最高的选择。这能有效避免它在无解问题上陷入“过度思考”的烧钱循环而性能几乎没有损失。3. 最强的模型 ≠ 最优的选择警惕“效率雪崩”。顶级模型如Claude 3.7虽然在任务成功率上领先但在处理高难度任务时其成本会不成比例地爆炸式增长出现“效率雪崩”现象。因此选择一个性能与成本更均衡的模型如GPT-4.1才是经济上更明智、更可持续的选择。4. 警惕“大力出奇迹”的性能增强陷阱。广为流传的Best-of-NN中选优策略在智能体上是个性价比极低的“巨坑”。实验证明它带来的性能提升微乎其微但为此付出的API调用成本却急剧飙升。在追求高效的路上要果断放弃这类华而不实的方法。这篇研究不仅是一份“降本增效”的实战指南更可能标志着智能体研究进入了“精耕细作”的2.0时代。AI智能体的研究已经走到了一个**“拐点”**——从一味追求“更强”转向追求“更聪明、更高效”。实验设置该研究的核心目的在于系统性地评估大型语言模型LLM驱动的智能体系统中不同组件对**效果Effectiveness与效率Efficiency**之间权衡关系的影响。为此作者设计了一套全面的实验流程。基准平台: 所有实验均在GAIA (General AI Assistants)基准测试集上进行。核心评估指标效果指标 pass1(Accuracy): 指智能体在一次尝试中成功解决问题的比例。这是衡量智能体解决问题能力的直接指标。cost-of-pass(通关成本): 这是本研究最核心的评估指标用于量化获得一个正确答案的预期经济成本。它衡量的不是“模型有多准”而是**“为了成功解决一个问题平均要花多少钱”**。通关成本 单次尝试的费用 / 任务成功率AI智能体的“性能与成本仪表盘”通过对智能体各个组件的不同配置进行实验和评估最终找到一个“性价比”最高的组合方案。四周的五个大框Planning, Backbone, Test-time Scaling, Memory, Tools代表了可以调节的五个关键组件。正中间的圆形区域Efficient Agent代表了将这些旋钮调节到**“最佳位置”**后最终得到的成果Max Steps 8: 8作为最大执行步数。Plan Interval 1选择每一步都进行一次计划修正。Search Num 5选择将用户问题扩展为5个搜索词。多搜索源Google, Wikipedia等记忆类型简单记忆五大降本增效秘籍秘籍一基座模型不选最贵只选最对 探究不同的基座大语言模型LLM在作为智能体核心时其性能effectiveness和成本效率efficiency之间的权衡关系。是不是最强的模型就一定是最好的选择强大的性能背后需要付出多大的成本代价小模型或特定结构的模型如稀疏模型在效率上有什么优势论文选择了一系列具有代表性的模型覆盖了当前主流的技术路线顶级专有模型 (Proprietary Models)GPT-4.1业界领先的强力模型作为性能基准。Claude 3.7 Sonnet另一个顶级模型以其强大的推理能力著称。o1OpenAI发布的新一代以推理为核心优化的模型。开源稀疏模型 (Open-source Sparse Models)Qwen3-235B-A22B一个超大规模的混合专家模型 (MoE)总参数量巨大但每次推理只激活一部分。Qwen3-30B-A3B一个中等规模的MoE模型激活参数更少理论上更高效。开源稠密模型 (Open-source Dense Model)QwQ-32B一个传统的稠密模型每次推理所有参数都参与计算。论文发现最强的模型如Claude 3.7虽然准确率最高但“通关成本”也高得离谱。反而是某些轻量级的模型在简单任务上展现出惊人的性价比。性能与效率最强的模型往往也最“昂贵”。Claude 3.7 Sonnet取得了最高的成功率61.82%但其“通关成本” (cost-of-pass) 高达3.54。相比之下GPT-4.1成功率稍低53.33%但“通关成本”仅为0.98性价比高得多。以Qwen3-30B-A3B为例尽管它的成功率不高17.58%但它的“通关成本”是所有模型中最低的之一仅为0.13。高难度任务下的“效率雪崩”对于强大的推理模型当任务难度从Level 1简单上升到Level 3困难时它们的效率会急剧恶化。Claude 3.7 Sonnet的“通关成本”从L1的1.69飙升至L3的9.04暴涨了534%。o1模型更是从1.96飙升至12.66暴涨了646%。将当前最强的推理模型扩展到非常复杂的智能体场景中面临着巨大的经济性挑战。它们的推理成本会随着问题难度不成比例地爆炸式增长。秘籍二规划模块别让智能体“想太多” 规划模块的核心目标是评估规划的“深度”与“频率”如何影响智能体解决长线任务的能力以及这样做的成本效益如何。简单来说他们想知道让智能体“想得更远”允许更多执行步骤是好是坏让智能体“更频繁地反思和调整计划”是好是坏智能体每执行N步之后就会根据当前掌握的全部信息重新生成一次计划以修正后续的行动方向。论文发现增加思考步数在一定范围内有效但超过一个阈值后性能不再提升成本却线性飙升。尤其是在解决不了的问题上智能体会陷入“过度思考”的循环疯狂烧钱却毫无进展。存在“收益递减点”在一定范围内增加最大步数能显著提升性能。例如将最大步数从4步增加到8步任务成功率 (Acc.) 从41.82%大幅提升至52.73%。然而当步数从8步继续增加到12步时成功率仅从52.73%微增至53.33%提升非常有限。但与此同时成本 (Cost/$) 和“通关成本” (cost-of-pass) 却持续大幅上涨。这表明允许智能体无限“思考”下去是低效的。存在一个最佳的步数范围超过这个范围后性能收益极小而成本代价巨大。过度思考”会造成巨大浪费当智能体遇到它本身能力无法解决的难题时如果没有步数限制它会陷入无效的尝试循环中即“过度思考” (overthinking)。这会导致它在没有产出的情况下空耗大量的计算资源和成本。设置一个合理的最大步数上限本质上是一种成本“熔断”机制对于保证智能体在现实世界中的经济可行性至关重要。秘籍三Web工具使用多信息源 ️主要评估Web Browser的效果之所以特别关注网页浏览器有两个原因通用性网页浏览是智能体获取实时、多样化信息最通用和强大的工具。成本影响大网页包含大量文本、代码和多媒体处理这些内容会消耗大量的Token对成本有显著影响。研究人员主要围绕网页浏览这个核心工具设置了三个可以调整的“旋钮”进行测试1. 搜索源 (Source of Web Content)目的测试搜索范围的大小对结果的影响。配置Simple (简单源)只使用Google和Wikipedia两个最核心的信源。Multi (多信源)使用一个更广泛的信源组合包括Google, Wikipedia, Bing, Baidu, 和 DuckDuckGo。2. 网页处理策略 (Web Page Processing Strategy)目的测试处理网页内容的复杂程度对结果的影响。配置(a) 爬虫 (Crawler)只抓取网页的静态文本元素这是最简单、最轻量级的方式。(b) 简单浏览器 (Browser-Simple)使用浏览器进行基础的页面渲染和处理。*© 复杂浏览器 (Browser-Complex)**使用带有高级交互功能的浏览器例如可以模拟人类进行*向上翻页 (page-up)和向下翻页 (page-down)等操作。3. 查询扩展数量 (Number of Query Expansion)目的测试将用户的原始问题改写成多个不同搜索词进行搜索是否能提升效果和效率。配置由LLM将用户的原始问题自动扩展成{3, 5, 10}个不同的搜索查询。论文发现差别巨大尤其是在网页浏览这个常用工具上搜索源越多越好同时用Google、Bing、百度等多个搜索引擎能更快找到答案反而更省钱。更广泛的搜索源增加了快速找到关键信息的机会减少了智能体在错误或无效信息上浪费的时间和步骤从而在整体上降低了成本。操作越简单越好只抓取网页静态文本比模拟真人“上下翻页”等复杂操作效率高得多。复杂的交互操作会产生更多的观察信息和执行步骤显著增加了Token消耗和成本但这些额外信息对于解决问题的帮助却很有限甚至可能引入干扰。 复杂的操作导致成功率非常低。查询词越多越好把用户的一个问题自动扩展成多个不同的搜索词能大大提高信息命中率。更广泛的查询集合能够覆盖更多角度从而更有可能命中包含答案的网页提高了信息检索的鲁棒性和全面性。这个结论的实践意义在于将工具如网页浏览器集成到智能体中绝不是一个简单的“有或无”的选择。开发者必须精细地调整工具的内部配置——选择更广的信源、采用更简单的处理方式、利用更丰富的查询扩展——才能在不牺牲甚至提升任务成功率的同时最大化地降低运营成本。秘籍四记忆模块简单即是美 论文中设计并比较了以下六种具有代表性的记忆机制从最简单到最复杂w/o Extra Memory (无额外记忆 - 基准组)这是最基础的对照组。智能体在每一步的上下文中只保留完整的历史执行记录包括思考、观察、行动。它不使用任何“额外”的、经过特殊处理的记忆模块。Simple Memory (简单记忆)为了缩短上下文长度、降低成本这种方法只在上下文中保留最核心的历史信息过去的观察结果 (observations) 和采取的行动 (actions)。它舍弃了详细的思考过程文本。Summarized Memory (摘要记忆)这是一种更复杂的记忆压缩方法。在每一步执行后它会*额外调用一次LLM*将当前步骤的所有信息观察、思考、行动总结成一段摘要。然后这些摘要被嵌入embed并存入向量数据库。在后续步骤中系统会根据与当前任务的相似度从数据库中检索出最相关的历史摘要并放入提示词中。这种方法旨在用简短的摘要来代替冗长的原始历史记录。Extra Summarized Memory (额外摘要记忆)**它与“摘要记忆”的机制完全相同唯一的区别是检索出的历史摘要是作为**额外的补充信息被添加到提示词中的而原始的、完整的历史步骤记录依然保留。Extra Fixed Memory (额外固定记忆)**系统维护一个有最大长度限制的、类似“记事本”的长期记忆文本。在第一步时由LLM生成初始内容在之后的每一步LLM都会根据最新情况**更新这个“记事本”。这个“记事本”作为额外记忆被添加到每一步的提示词中。Extra Hybrid Memory (额外混合记忆)这是最复杂的配置它将**“额外摘要记忆”和“额外固定记忆”**两种方法结合起来同时将检索到的历史摘要和更新后的长期“记事本”都作为额外信息添加到提示词中。传统认知为了让智能体记住历史信息需要设计复杂的记忆总结、检索机制。论文发现最令人震惊的结论来了效果最好、成本最低的记忆方法竟然是最简单的“原始记忆”——只在上下文中保留最原始的“历史观察”和“历史行动”记录。那些花里胡哨的“每步总结式记忆”不仅增加了额外的API调用成本还可能因为总结出错而误导智能体。它表明只保留最原始的观察和行动记录不仅极大地降低了Token消耗和成本反而还取得了最好的任务性能。核心启示大道至简在记忆模块上别做过度设计。最朴素的方法往往最有效。秘籍五增强策略Best-of-N性价比极低“陷阱” ❌Best-of-N (简称BoN)是一种在不改变模型自身权重的情况下通过多次推理来提升其表现的策略。普通决策 (N1)想到一个方案就直接去执行了。Best-of-N决策在做一个决定前先在脑海里构思出N个不同的备选方案。然后对这N个方案进行评估挑出那个看起来最可能成功的方案最后才去执行这一个最优方案。引入了一个独立的“裁判”模型判断它对于完成最终任务目标的“贡献度”或“进展度”有多大并给出一个分数。最终结论成本急剧上升从 N1 增加到 N4Token消耗量从243K大幅增加到325K。这是因为每一步都要生成和评估更多的内容成本自然飙升。**性能提升微乎其微 ** 然而性能的提升却非常有限。整体成功率 (Acc.) 仅从53.33%(N1) 微弱增长到53.94%(N4)。“性价比”显著下降由于成本大幅增加而性能提升极小这就导致了最终的“性价比”指标cost-of-pass急剧恶化从0.98(N1) 上升到了1.28(N4)。这意味着为了获得一次成功需要付出的平均金钱成本变得更高了。简单地通过“N中选优”来暴力提升性能是一种性价比极低的做法。它带来的微小性能收益完全无法弥补其不成比例的巨大计算成本。启示录1. 法则一警惕“复杂性陷阱”——简单往往更强大。无论是记忆模块、测试时增强策略还是规划深度这篇论文反复验证了一个反直觉的真理最复杂的方案不等于最优方案。花里胡哨的“摘要记忆”、昂贵的“Best-of-N”和无限制的“深度思考”在现实中要么收益甚微要么成本激增。开发者应该优先选择并验证最简单、最直接的实现方式避免过度设计。2. 法则二成本意识前置——将“通关成本”作为核心北极星指标。不要等到上线后才发现成本失控。论文的核心贡献之一是引入了cost-of-pass这个“性价比”指标。在开发阶段就应该用它来衡量每一个决策——无论是选择基座模型还是调整一个工具参数。这个指标迫使我们从“能用”转向**“用得起、用得好”**。3. 法则三没有万能模型只有“适配”场景的“最优解”。基座模型的选择是影响最大的决策但“模型能力排行榜”不是唯一答案。论文揭示了顶级模型在处理高难度任务时惊人的“效率雪崩”现象。这意味着针对不同复杂度的任务选择不同档位的模型甚至组合使用可能是未来最高效的架构。为简单任务选择轻量级稀疏模型可能比用顶级模型“杀鸡用牛刀”要明智得多。4. 法则四从“有或无”到“多与少”——魔鬼藏在配置细节里。智能体的效率优化不是简单地决定“要不要用工具”或“要不要规划”而是精细地调整“用多少”。例如将搜索查询从3个增加到5个将最大步数从12步减少到8步这些看似微小的参数调整却对最终的性价比产生了决定性的影响。这标志着智能体开发进入了**“精细调校”**的时代。最后–这篇论文的意义远不止是提供了一套“省钱攻略”指示着AI智能体研究正从“野蛮生长”的1.0时代迈向“精耕细作”的2.0时代。对于开发者而言这意味着我们有了清晰的优化路线图对于用户而言这意味着更便宜、更触手可及的AI应用正在路上。未来当AI智能体真正成为我们生活和工作中不可或缺的伙伴时我们或许应该感谢这些早期探索者是他们让这一切变得不仅可能而且“付得起”。普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】