北京
分享至
长程智能体（LLM Agent）执行任务时，是否每一步小动作都要让大模型决策一次？来自Amazon、Microsoft、Rutgers等机构的论文给出了否定的答案。他们提出的SPACE方法，核心思路是：从成功轨迹中学习哪些动作可以安全地合并执行，从而显著降低决策轮次。
问题出在“过度决策”
传统长程任务中，智能体每完成一个微小动作，就要停下来调用一次LLM进行下一步判断。这种“步步为营”的模式虽然稳妥，却拖慢了执行效率，也消耗了大量计算资源。SPACE的切入点很直接：并非所有动作都需要LLM的即时介入。
关键在“学习动作分块”
SPACE不依赖人工预设规则，而是从已有的成功轨迹中自动识别——哪些动作序列是安全、可预测的，能够被“打包”成一组连续执行。这样一来，智能体只需在关键节点进行决策，中间过程则按学习到的分块模式自动推进。
对长程任务意味着什么
这种设计减少了LLM的调用频率，让智能体在处理复杂、多步骤任务时更高效。论文认为，与其在每个小动作后都停下来“思考”，不如学会在合适的时机“放手”。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
