本文综述了上海AI Lab等机构联合发表的《迈向高效智能体》一文，重点探讨了如何通过优化记忆、工具学习和规划模块来提升智能体系统的效率。文章分析了智能体效率危机，并提出了三大提升策略：高效记忆、高效工具学习和高效规划。其中，高效记忆包括工作记忆和外部记忆，高效工具学习涉及工具选择、调用和集成推理，而高效规划则关注单智能体和多智能体协作的效率。文章还列举了多个代表性方法和最新研究趋势，为AI开发者提供了宝贵的参考和指导。
今天分享，上海AI Lab & 复旦&中科院&上交大等9所高校联合发表了《迈向高效智能体（Agents）：记忆、工具学习与规划综述》
高效智能体不是更小的模型，而是在记忆、工具使用和规划模块上优化，以最大化任务成功率同时最小化资源消耗（包括token使用、推理延迟和计算成本）的智能体系统。
高效智能体研究的演进轨迹（2023-2025）。蓝色：记忆；绿色：工具学习；紫色：规划；橙色：评测基准。
智能体的效率危机
这个input-solution循环导致token的复合累积——第n步的输出成为第n+1步的输入成本，产生高昂的推理成本和缓慢的响应时间。
- 高效记忆
- 高效工具学习
- 高效规划
图2：记忆生命周期——构建、管理、访问的完整流程
记忆模块架构图
表1：高效记忆机制概览
3.1 工作记忆（Working Memory）
文本型工作记忆直接在prompt中维护紧凑表示：
- COMEDY：使用LLM提取会话特定记忆，压缩为关键事件、用户画像和关系变化的紧凑表示
- MemAgent/MEM1：顺序处理长输入，每一步重写更新紧凑记忆状态
- AgentFold：主动将交互历史折叠为多尺度摘要+最新完整轮次
隐式型工作记忆以连续信号形式存储：
- Activation Beacon：将上下文分块，通过渐进压缩将层-wise KV激活蒸馏到信标中
- MemoryLLM：维护固定大小的记忆token池，通过自更新机制复用隐式知识
- Titans：在测试时更新神经记忆模块，仅在高预测误差时写入
3.2 外部记忆（External Memory）
项目型记忆：
- MemoryBank：基于艾宾浩斯遗忘曲线，随时间衰减记忆同时强化重要记忆
- Memory-R1/Mem0：从对话中提取并总结为候选记忆，支持CRUD操作
- A-MEM：将交互转换为原子笔记，带上下文描述、关键词和标签
图结构记忆：
- GraphReader：将长文本分块，压缩为关键元素和原子事实，构建捕获长程依赖的图
- AriGraph：统一语义-情景记忆图，语义三元组更新语义图，情景节点链接两者
- Zep：构建时序感知知识图谱，提取/对齐实体关系，存储带有效期的事实边
层次化记忆：
- MemGPT：OS风格虚拟内存分页，将提示分区为系统指令、可写工作上下文和FIFO消息缓冲区
- MemoryOS：三层存储（短期对话页、中期主题段、长期个人画像）
- LightMem：感知-STM-LTM流水线，预压缩输入，在线软更新+离线睡眠时整合
3.4 多智能体记忆
表2：高效工具学习方法总结（完整表格见论文第19页）
工具学习分类表格
4.1 工具选择（Tool Selection）
三大范式：
效率洞察：词汇方法（Toolken）效率最高但泛化性受限，外部检索器即插即用但计算开销大，多标签分类需微调但适合固定场景。
4.2 工具调用（Tool Calling）
关键发现：并行调用可将顺序延迟降至接近单步，但需准确识别任务依赖；成本感知RL方法在保持准确率的同时显著减少调用次数。
4.3 工具集成推理（Tool-Integrated Reasoning）
核心挑战：在复杂问题解决中平衡准确性、计算效率和数据效率。
前沿趋势：从”最大化工具使用求准确”转向”RL训练最小化冗余交互”的帕累托优化。
高效规划总览
5.1 单智能体规划效率
推理时策略：
基于学习的进化：
5.2 多智能体协作效率
核心挑战：MAS增强推理但常产生O(N²)通信成本。
表3：高效规划方法总结（完整表格见论文第25页）
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
从入门到进阶这里都有，跟着老师学习事半功倍。
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
👇👇扫码免费领取全部内容👇👇
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、Agent 智能体国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】
发布者：Ai探索者，转载请注明出处：https://javaforall.net/245000.html原文链接：https://javaforall.net
