谷歌预算感知框架让AI智能体更高效

2天前7 min read

对更强大AI智能体的不懈追求，遇到了一个熟悉的障碍：计算的经济性。在谷歌和加州大学圣塔芭芭拉分校的一篇新论文中，研究人员解决了一个常被忽视的挑战：不仅要让这些智能体更聪明，还要在财务和计算上更负责任。其核心见解优雅而深刻——通过让智能体明确知晓其剩余的推理步骤和外部工具调用“预算”，可以显著提高其效率和决策能力，防止其陷入成本高昂且徒劳无功的探索循环。这项工作引入了轻量级的“预算追踪器”和更全面的“预算感知测试时扩展”框架，代表了智能体设计的关键转变。它超越了传统测试时扩展所关注的、简单粗暴地给模型更多“思考”时间或计算资源的范式，转而灌输了一种具有资源意识的战略规划。随着AI智能体越来越依赖串联调用外部工具——如网络搜索API、代码执行器或数据库查询——运营成本和延迟会不可预测地膨胀。研究人员Zifeng Wang和Tengxiao Liu指出，如果没有预算意识，执行深度研究任务的智能体很容易“盲目深入”，在资源耗尽前花费十几次工具调用来追踪一条死胡同。这不仅仅是学术上的担忧；对于企业领导者而言，这决定了它是一个可行的、可部署的智能体，还是一个承诺智能却带来螺旋式上升、不可预测的API账单和迟缓性能的财务黑盒。预算追踪器模块在提示层面运行，作为一个插件持续向智能体发出其剩余额度的信号，从而有效地让模型在不进行任何重新训练的情况下内化约束。在使用Gemini 2. 5 Pro和Claude Sonnet等模型进行的信息寻求任务测试中，这个简单的添加产生了显著效果：搜索调用减少了40.4%，总成本降低了31. 3%，同时保持了准确性，这证明明确的资源信号能让模型动态优化其策略。更复杂的BATS框架在此基础上构建，它整合了规划和验证模块来编排智能体的工作流程。它会根据实时预算状态，动态调整对特定线索的调查深度（“深入挖掘”）与转向新途径的决策，最终通过一个LLM作为评判者的步骤，从所有尝试中选择最佳最终答案。在BrowseComp等基准测试中，BATS在控制成本的同时，实现了接近标准ReAct智能体两倍的准确率（24.6%对比12. 6%）。其意义重大，推动该领域从纯粹不计成本的性能思维，转向成本-性能优化的规范。这使得先前成本过高、周期长的应用——如自动化尽职调查、竞争情报综合或复杂代码库重构——突然在经济上变得可行。正如Wang和Liu敏锐地指出的，未来强大AI的关键不仅在于更好地推理，更在于“对价值的推理”。这项研究强调了AI开发的成熟化，算法能力与实际经济性之间不可分割的关系必须从一开始就融入架构中，确保下一代智能体不仅智能，而且天生节俭，并对其自身的运营足迹具有战略意识。.

#budget-aware AI

#tool-use optimization

#Google research

#BATS framework

#enterprise AI

#featured