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。

2026，做Agentic AI，绕不开这两篇开年综述

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。

提升效率的三大战略方向：分享两篇Claude Skills最新论文，有3个核心结论

1. 高效记忆
2. 高效工具学习
3. 高效规划

三、高效记忆（Efficient Memory）

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

类型	描述	代表方法
共享记忆	集中可复用信息，减少冗余	MS、G-Memory、RCR-Router、MIRIX
本地记忆	每个智能体独立存储，轻量低噪	Intrinsic Memory Agents、AgentNet、DAMCS
混合记忆	结合共享和本地，需协调路由	SRMT、Collaborative Memory、LEGOMem

四、高效工具学习（Efficient Tool Learning）

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：

范式	原理	代表方法	适用场景
外部检索器	独立模型嵌入查询和工具描述，计算相似度	ProTIP、AnyTool、Toolshed	工具池动态变化
多标签分类	固定工具集视为分类任务	TinyAgent、Tool2Vec	工具集相对固定
词汇检索	工具嵌入为特殊token，作为下一个token预测	ToolkenGPT、Toolken+、ToolGen	超大规模工具库

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）

技术方向	核心思想	代表方法
原位参数填充	直接在响应生成中填充工具参数	Toolformer、CoA
并行工具调用	识别可并行执行的工具调用	LLMCompiler、LLM-Tool Compiler、CATP-LLM
成本感知调用	将成本作为奖励/约束优化	BTP、OTC-PO、ToolOrchestra
测试时扩展	A*搜索等策略剪枝错误分支	ToolChain*
后训练优化	RL训练最小化冗余调用	ToolRL、ReTool、PORTool

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。

策略	方法	机制
选择性调用	TableMind	迭代计划-行动-反思循环，两阶段训练（SFT+RL）
	SMART	构建数据集标注每次调用的必要性，微调模型决策
成本感知策略优化	RAPO	排名感知优势加权，引导模型走向一致答案
	ARTIST	结果导向RL，无步骤级监督学习最优工具使用策略
	AutoTIR	特定奖励惩罚不必要工具使用
	SWiRL	并行轨迹生成时过滤冗余动作

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。

五、高效规划（Efficient Planning）

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：

类型	方法	机制
策略优化	QLASS	Q值critic指导搜索
	ETO	DPO试错偏好学习
	RLTR/Planner-R1	过程级奖励训练
	Planning w/o Search	离线目标条件critic
记忆与技能获取	VOYAGER	构建可复用技能库
	GAP	图表示识别可并行动作

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）

规划方法分类表格

https://arxiv.org/abs/2601.14192https://efficient-agents.github.io/https://github.com/yxf203/Awesome-Efficient-Agents

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！