OPPO AI Agent Team 提出 Efficient Agents 框架，聚焦于提升 LLM 驱动代理的效率与效果平衡，尤其针对复杂多步任务的成本问题进行了系统性研究。核心发现与贡献包括：
• 明确任务本质：GAIA 基准显示多步推理任务往往步骤短，复杂记忆机制并非必需，Simple Memory（仅保留最近的观察与动作）反而在保证性能的同时，大幅降低token消耗和计算成本。
• Backbone 选择：权衡性能与成本，GPT-4.1 等大模型虽效果优异但成本高昂，稀疏 MoE 模型如 Qwen3-30B-A3B 在简单任务中展现极佳效率。
• 规划与测试时扩展策略：适度规划步数提升准确率，但过度则成本激增；Best-of-N 多次采样带来边际收益有限，需谨慎使用。
• 工具调用优化：增加查询源和简化浏览操作提升信息检索效率，扩展查询数量带来更全面有效的检索结果。
• 整体架构调整：Efficient Agents 通过精心配置组件，实现接近开源领先框架 OWL 96.7%性能，同时运营成本降低28.4%，显著提升成本效益比。
这项工作为构建经济可行、高性能的智能代理系统提供了实证依据和设计指南，强调设计应紧贴任务需求，避免过度工程化。
论文🔗 arxiv.org/abs/2508.02694
代码🔗github.com/OPPO-PersonalAI/OAgents
人工智能 大语言模型 智能代理 效率优化 机器学习
