EASy：迈向基于LLM的高效智能体系统

# EASy：迈向高效的基于 LLM 的智能体系统  
Source: https://arxiv.org/html/2608.04588  
Junnan Liu, Linhao Luo, Thuy-Trang Vu & Gholamreza Haffari  
Department of Data Science and AI, Faculty of Information Technology, Monash University, Australia  
[email protected]

###### 摘要

智能体系统已成为一种有前景的范式，通过协调基于 LLM 的专门智能体来解决复杂任务。然而，大多数现有系统主要优化任务成功率，而对执行器能力和计算成本等实际约束下的执行效率关注有限。现有的基于路由器的方法难以对丰富且不断演化的任务上下文、多步依赖和中间执行反馈进行推理，并且通常无法泛化到未见过的执行器。我们提出 **EASy**，一个可训练的智能体框架，通过强化学习联合优化任务性能和计算效率。EASy 为基于 LLM 的编排器提供异构执行器的能力和成本概况的显式知识，使其能够超越仅基于性能的路由，做出上下文敏感的协调决策。它还引入了里程碑-规划-执行（milestone-plan-act）工作流，将复杂任务分解为可管理的里程碑，构建依赖感知的执行图，为各个步骤分配合适的执行器，并尽可能并行执行独立步骤，同时根据中间结果调整后续决策。为了训练编排器，我们开发了一种树结构 rollout 过程，探索替代的里程碑分解和执行计划，并配合多组件奖励，以捕获任务正确性、执行效率和轨迹完整性。在数学推理、具身决策和深度研究基准上的大量实验表明，EASy 在性能-效率权衡上持续优于强大的智能体基线。

### 1 引言

智能体系统已成为一种有前景的范式，通过整合大语言模型（LLMs）来解决复杂任务（[OpenAI，2024a](https://arxiv.org/html/2608.04588#bib.bib38)；[OpenAI，2024b](https://arxiv.org/html/2608.04588#bib.bib39)；[OpenAI，2025b](https://arxiv.org/html/2608.04588#bib.bib41)；[DeepSeek-AI 等，2025](https://arxiv.org/html/2608.04588#bib.bib5)；[Kimi-Team 等，2025](https://arxiv.org/html/2608.04588#bib.bib23)；[Yang 等，2025](https://arxiv.org/html/2608.04588#bib.bib67)；[Comanici 等，2025](https://arxiv.org/html/2608.04588#bib.bib4)；[Huang & Yang，2025](https://arxiv.org/html/2608.04588#bib.bib17)；[xAI，2025](https://arxiv.org/html/2608.04588#bib.bib64)）。通过协调基于 LLM 的专门智能体，这些系统将规划、推理、工具使用、执行和验证分布到互补的组件上，从而提升了在数学推理、具身决策和深度研究等挑战性任务上的性能（[Shinn 等，2023](https://arxiv.org/html/2608.04588#bib.bib52)；[Wang 等，2024](https://arxiv.org/html/2608.04588#bib.bib58)；[Qian 等，2025b](https://arxiv.org/html/2608.04588#bib.bib48)；[Schick 等，2023](https://arxiv.org/html/2608.04588#bib.bib50)）。近期在可验证奖励强化学习（RLVR）方面的进展进一步增强了 LLM 智能体的推理和决策能力，使智能体工作流在长周期和工具密集型任务上越来越可行（[Pu 等，2023](https://arxiv.org/html/2608.04588#bib.bib45)；[Zhang & Soh，2024](https://arxiv.org/html/2608.04588#bib.bib73)；[Gupta 等，2024](https://arxiv.org/html/2608.04588#bib.bib12)；[Xu 等，2024](https://arxiv.org/html/2608.04588#bib.bib65)）。

早期的智能体系统通常依赖固定的组织结构，智能体遵循预定义的角色、通信协议或执行流水线（[Wu 等，2023](https://arxiv.org/html/2608.04588#bib.bib63)；[Hong 等，2024](https://arxiv.org/html/2608.04588#bib.bib14)；[Hu 等，2025](https://arxiv.org/html/2608.04588#bib.bib16)）。虽然对于定义明确的任务很有效，但此类静态工作流在面对复杂问题时往往力不从心，因为这些问题在求解过程中会不断演化推理需求、交互模式和执行上下文。这一局限性促使研究转向动态组织的智能体系统，其协调策略会适应任务需求和中间上下文。特别是，异构智能体系统采用编排器来分解任务、分配子任务，并根据中间结果协调执行（[Liu 等，2024](https://arxiv.org/html/2608.04588#bib.bib30)；[Guo 等，2024](https://arxiv.org/html/2608.04588#bib.bib11)；[Li 等，2024a](https://arxiv.org/html/2608.04588#bib.bib27)；[Fu 等，2024](https://arxiv.org/html/2608.04588#bib.bib10)；[