arXiv cs.AI· Aditya Taparia, Som Sagar, Ransalu Senanayake·· 10 天前AI 评分27
ARC：学习为每个查询动态配置 Agentic AI 系统
Learning to Configure Agentic AI Systems
AI 导读
研究者提出 ARC（Agentic Resource & Configuration learner），将 LLM 智能体配置建模为半马尔可夫决策过程（SMDP），用轻量级分层策略按查询难度动态选择工作流、工具、token 预算与提示词。
正文 · AI 翻译
摘要：配置基于 LLM 的智能体系统涉及从庞大的组合设计空间中选择工作流、工具、token 预算和提示词，目前通常由固定模板或手工调优的启发式方法处理，这些方法无论查询难度如何都应用相同的配置，导致行为脆弱和计算浪费。为解决这一问题，我们将智能体配置建模为半马尔可夫决策过程（SMDP），其中每个配置充当一个时间扩展选项，决定智能体系统如何处理查询，并引入 ARC（Agentic Resource & Configuration learner），一种轻量级分层策略，可动态选择针对查询的智能体配置。在推理、工具使用和智能体基准测试中，ARC 始终优于预算匹配的工具增强 LLM，将平均推理准确率提高 31.3%，工具使用准确率提高 13.95%，并将 {\tau}-Bench（Airline）Pass^1 成功率从 9.0% 翻倍至 18.0%。这些结果表明，学习针对每个查询的智能体配置是替代“一刀切”设计的有力方案。
| 评论： | 22 页，12 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2602.11574 [cs.AI] |
| （或 arXiv:2602.11574v5 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.11574 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Aditya Taparia [查看电子邮件]
[v1]
2026 年 2 月 12 日星期四 04:45:44 UTC（2,638 KB）
[v2]
2026 年 5 月 20 日星期三 05:20:13 UTC（3,352 KB）
[v3]
2026 年 5 月 21 日星期四 03:54:07 UTC（3,343 KB）
[v4]
2026 年 9 月 5 日星期六 23:22:21 UTC（3,343 KB）
[v5]
2026 年 10 月 6 日星期二 05:32:17 UTC（3,343 KB）
来源：arXiv cs.AI · arxiv.org