EnvOpt：智能体环境的自动化优化

摘要

论文提出EnvOpt方法，用于自动优化静态环境（如Slack工作区、数据集合），以降低LLM智能体的成本并提高成功率，无需评分器或参考答案。在AutomationBench上，EnvOpt将Claude Haiku 4.5的成本降低72.7%，通过率提升14.34%；优化后的环境迁移至Opus 5，成本降低68.1%，通过率提升1.34%。与Meta-Harness针对Haiku 4.5的优化harness结合时，EnvOpt进一步将成本降低83.4%，并在Meta-Harness基础上额外提升11.17%的准确率。在5个基准测试中，EnvOpt显著降低智能体成本，同时提高或保持通过率，并证明可迁移至不同模型和harness。

这里提供经过审核的摘要。完整内容请前往原文阅读。

各行业推荐理由

• 人工智能

  该研究为AI智能体提出新的优化方向——优化环境而非仅调整模型参数或harness，显著降低成本并提升性能，对AI模型部署和智能体效率具有直接参考价值。