智能体搜索效率优化
4 ステップ2 件2 ソース
智能体在处理长程任务时面临巨大的Token消耗与延迟瓶颈，近期两项研究通过重构搜索策略显著提升了效率。微软研究院提出的ForkPilot框架引入自进化策略，在保持SOTA性能的同时将Token使用量降低最高59.2%；另一项研究AgentDiscover则让大模型自主规划搜索路径，取代人工设计的固定算法，在代码和数学任务中实现更低成本下的更优表现。这些进展表明，从“盲目增加推理深度”转向“精细化控制搜索过程”已成为提升智能体实用性的关键路径。
経緯
ForkPilot论文提交，提出自进化策略优化长程智能体的回溯搜索，旨在解决归因复杂性和适应复杂性导致的资源错配。
arxiv.org ↗AgentDiscover论文提交，提出让编码代理自主规划搜索并使用数据库作为长期记忆，挑战传统固定搜索脚手架。
arxiv.org ↗ForkPilot发布结果，显示在6个基准测试和7种LLM骨干网络中，相比9个竞争基线，其Token消耗减少高达59.2%且性能相当。
arxiv.org ↗AgentDiscover发布结果，证明其在内核工程、生物学等任务上比现有框架更具成本效益，并在AtCoder竞赛模拟中超越人类选手。
arxiv.org ↗
未解決の問題
- 自进化策略在不同规模模型上的泛化能力是否一致？
- 完全由模型自主规划的搜索在极端复杂或高风险场景下是否存在不可控风险？