高效智能體幕后推手是誰？一篇綜述帶你從記憶×工具學習×規劃看透

隨著大模型能力的躍遷，業界關注點正在從 “模型能不能做” 快速轉向 “智能體能不能落地”。過去一年可以看到大量工作在提升智能體的有效性（effectiveness）：如何讓它更聰明、更穩、更會用工具、更能完成復雜任務。

但在真實應用里，另一個更 “硬” 的問題常常決定能否上線：高效性（efficiency）。智能體即便表現很好，如果每次都要消耗大量算力、時間與調用成本，也很難在生產環境大規模部署。

基于這一視角，論文整理并撰寫了一篇面向 “高效智能體” 的綜述，系統梳理當前主要方法，并從三個最關鍵的機制出發組織全文框架：記憶 — 工具學習 — 規劃。論文從設計范式出發對代表性方法進行歸納總結，聚焦那些以效率為目標或能夠提升效率的核心設計與實現路徑，從而更清晰地呈現智能體在真實落地場景中的成本 — 性能權衡。

• 論文地址：https://arxiv.org/abs/2601.14192
• GitHub 地址：https://github.com/yxf203/Awesome-Efficient-Agents

一、智能體記憶：

讓 “會記” 更省、更準、更可擴展

智能體要做長任務，離不開記憶。但把歷史一股腦塞進提示詞，會帶來 token 暴漲和智能體處理長上下文能力下降。因此，高效記憶系統的關鍵在于把 “長歷史” 加工成 “可用、可檢索、可復用” 的信息資產。

論文按記憶生命周期梳理三步：構建 — 管理 — 訪問。

• 記憶構建：通過概括、壓縮與結構化把 “長對話” 轉成 “可用記憶”。一類是留在推理鏈路的工作記憶，文本式直觀但吃上下文，隱式式更像緩存，可減少重復編碼；另一類是外置為可檢索系統的外部記憶，先將信息壓成小單元再按需召回，包括條目式、圖式與分層式。此外論文也提到要警惕過度壓縮帶來的信息損失，即需要考慮如何在降成本與保真之間取得平衡。
• 記憶管理：防止 “存爆炸”，也避免 “取太慢”。規則式快但可能誤刪重要內容，大模型式更聰明但更貴，混合式則按層級或場景組合兩者策略，在效果與成本之間取得折中。
• 記憶訪問：選什么 + 怎么用。訪問分記憶選擇與記憶整合，通過檢索或訓練等方式挑選記憶，再用壓縮過濾或隱式注入減少 token 與重復編碼。

另外，多智能體記憶也成為新趨勢。相較于只靠通信，近年更多工作開始引入 “記憶” 這一概念來支撐規?；瘏f作，論文將其概括為：共享記憶 / 本地記憶 / 混合記憶三類。

二、工具學習：

讓 “會用工具” 更少調用、更少等待、更少走彎路

工具讓智能體從 “會說” 變成 “能做”，但成本也最容易在工具鏈路里失控。論文按三條主線梳理提效思路：工具選擇 — 工具調用 — 工具融合推理。

• 工具選擇：目標是 “更快選對、少塞進 prompt”。相關方法包括外部檢索器、多標簽分類，以及將工具映射為特殊 token 等思路，核心都是在大量工具中更快、更準地選出最需要的那幾個。
• 工具調用：核心是 “少等、少調、少走彎路”。典型路線包括邊生成邊調用、并行化調用，以及利用成本感知調用與測試時高效擴展來削減冗余調用；進一步還可通過面向效率的后訓練把 “短軌跡、少調用” 寫進策略本身。
• 工具融合推理：讓模型學會 “該不該用、何時用、用幾次”。代表性方向包括選擇性調用，引導智能體只在必要時才發起工具調用；以及成本約束策略優化，在保證效果的同時對冗余交互與過長軌跡施加懲罰，從而學到更短、更省的工具使用策略。

三、智能體規劃：

在 “深度” 與 “寬度” 上同時省下來

規劃決定智能體如何在多步決策空間里行動。效率問題要么來自單體推理 “想太深、搜太貴”，要么來自多體協作 “聊太多、通信太重”。因此論文從兩條線展開：單智能體規劃與多智能體協作規劃。

四、基準與評測（Benchmark）：

沒有 “可比的尺”，就談不上 “可落地的效率”

在談記憶、工具學習與規劃的提效方案之前，先要把 “尺子” 定清楚：高效到底怎么量？

論文強調，效率必須建立在有效性之上。省了資源卻顯著掉性能，不算高效。因此論文采用的定義是：在給定預算下取得更好的效果，或在相近效果下消耗更少資源。

基于這一視角，論文先梳理了以有效性為主的 benchmark，并進一步匯總了與效率相關的評測內容：一方面，整理了在 benchmark 中顯式納入效率信號（成本、延遲、調用次數等）的評測設置；另一方面，總結了智能體方法中常用的效率指標，用于刻畫 “省在哪兒、省多少”。

五、挑戰與展望

論文同時也提出了目前的一些挑戰與展望：

1）統一評測框架：指標口徑統一，模塊開銷邊界清楚，才能真正讓各個智能體方法可比可復現。

2）智能體的隱式推理（Latent Reasoning）：大模型側的隱式推理正在升溫，但面向智能體的研究仍相對稀缺。由于智能體鏈路更長、更復雜，還要處理工具調用、規劃與記憶等環節，如何把中間推理 “做在隱式空間里”、在不掉效果的前提下降低成本，既是挑戰，也是機會。

3）面向部署設計：在多智能體場景下，需要把部署成本納入考量，核心問題是投入產出比。也就是說，增加智能體帶來的收益，是否足以覆蓋新增的開銷。

4）多模態效率：多模態智能體發展很快，但效率研究仍相對欠缺。文本智能體的一些提效思路可以借鑒，但是直接遷移卻并不容易，因為多模態智能體的感知輸入、行為空間與任務結構更復雜、交互成本更高。因此，如何在多模態場景下系統地兼顧效果與成本，仍是亟待解決的關鍵問題。