高效智能体：记忆、工具学习与规划

¹上海人工智能实验室， ²复旦大学，
³中国科学技术大学， ⁴上海交通大学，
⁵中国科学院自动化研究所，
⁶香港中文大学（深圳），
⁷香港理工大学， ⁸武汉大学， ⁹清华大学

^† 表示主要贡献者

摘要

近年来，将大语言模型扩展为智能体系统的兴趣日益增长。尽管智能体的有效性持续提升，但对实际部署至关重要的效率却常被忽视。因此，本文从智能体的三个核心组成部分——记忆、工具学习和规划——出发研究效率，并考虑延迟、token、步骤等成本。为开展针对智能体系统自身效率的全面研究，我们回顾了大量近期方法，这些方法在实现上各不相同，却常常汇聚于共同的高层原则，包括但不限于通过压缩与检索实现有界上下文、通过预算化工具使用与缓存降低动作成本，以及通过分层规划与剪枝实现受控搜索以提升效率，我们将对此进行详细讨论。 相应地，我们以两种互补方式刻画效率：在固定成本预算下比较有效性，以及在相当有效性水平下比较成本。这种权衡也可通过有效性与成本之间的帕累托前沿来看待。从这一视角出发，我们还考察了面向效率的基准，总结了这些组成部分的评估协议，并整合了基准与方法研究中常报告的效率指标。此外，我们讨论了关键挑战与未来方向，旨在提供有价值的洞见。

📑 记忆内容目录

• 🔄 Working Memory
  • 📝 文本记忆
  • 🧩 潜在记忆
• 💾 External Memory
  • 📦 基于条目的记忆
  • 🕸️ 基于图的记忆
  • 🪜 分层记忆
• 👥 Multi-Agent Memory
  • 🔗 共享记忆
  • 🏠 本地记忆
  • 🔀 混合记忆

在本文中，我们将记忆组织为构建、管理和访问。由于许多论文在这些阶段之间存在重叠，本部分主要围绕记忆构建进行组织，以避免冗余。

📑 工具学习内容目录

• 🔧 Tool Selection
  • 🔍 外部检索器
  • 🏷️ 多标签分类（MLC）
  • 📚 基于词汇的检索
• ▶️ Tool Calling
  • 📝 原位参数填充
  • ⚡ 并行工具调用
  • 💰 成本感知工具调用
  • ⚙️ 高效测试时扩展
  • 🎯 基于后训练的高效工具调用
• 🛠️ Tool-Integrated Reasoning (TIR)
  • ✅ 选择性调用
  • 🎓 成本感知策略优化

工具学习框架涵盖工具选择、工具调用和工具集成推理，以增强智能体能力。

📑 规划内容目录

• 🤖 Single-Agent Planning Efficiency
  • 💰 自适应预算与控制
  • 🔍 结构化搜索
  • 📋 任务分解
  • 🎯 策略优化
  • 🧠 记忆与技能获取
• 👥 Multi-Agent Collaborative Efficiency
  • 🕸️ 拓扑效率与稀疏化
  • ⚙️ 协议与上下文优化
  • 📊 将协调蒸馏为规划

规划框架涵盖单智能体规划效率和多智能体协作策略，以增强决策能力。

@misc{yang2026efficientagentsmemorytool,
      title={Toward Efficient Agents: Memory, Tool learning, and Planning}, 
      author={Xiaofang Yang and Lijun Li and Heng Zhou and Tong Zhu and Xiaoye Qu and Yuchen Fan and Qianshan Wei and Rui Ye and Li Kang and Yiran Qin and Zhiqiang Kou and Daizong Liu and Qi Li and Ning Ding and Siheng Chen and Jing Shao},
      year={2026},
      eprint={2601.14192},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2601.14192}, 
}