Agent 运行时资源/算力消耗

注意力稀疏化与KV表示压缩(长上下文计算/存储优化)

三组中最早出现的“token级”优化主线被拆散在多个分组(A1、B1、C2),此处合并归一:共同点是不改动serving栈与硬件,仅在注意力机制与KV表示层面削减开销——块稀疏/多段注意力(minimax_sparse_attention、multi_segment_attention)、三轴混合精度与4-bit量化(triaxialkv、ultraquant)、离群感知聚类与时空重加权(oasis、star_kv)、KV递归折叠与无损指数编码(kv_fold、splitzip)、以及潜在表示精简(when_less_latent_leads_to_better)。研究重点是精度-显存-延迟三角权衡,指标为KV占用、decode时延与能耗。

KV缓存分层卸载与异构内存/近存架构

合并A2(多级内存管理)与B1、C2中的存储层级与器件类工作:共同点是KV随上下文线性膨胀突破HBM容量墙,因而在DDR5/CXL/SSD/主机内存之间做分层放置,并通过读写感知tiering(rw_cache)、CXL内存池(llm_kv_cache_storage_using_cxl)、Flash换页(hifc)、GPU中心化KV服务(tardis)、内存解耦云基础设施(enabling_memory_disaggregated_cloud)以及3D近存与多芯粒存内架构(m3dkv、amma)来扩展容量与带宽;predictive_multi_tier与mcam给出多级管理与预取/重算策略。研究重点是数据搬运代价与容量-带宽-延迟的联合最优。

显存工作集与KV缓存调度算法(驱逐、稀疏检索、专家驻留)

保留A2中偏“策略/算法”而非“器件”的部分,并吸收B1的服务化调度与MoE工作集研究:共同点是在既有HBM预算内决定放什么、何时驱逐、如何检索与预取——热度感知前缀调度(hotprefix)、加速卸载(adaptivekv)、溢出管理(efficient_kv_cache_spillover)、分离式部署下的动态KV(dynamicattention、dualdecoder)、多段注意力受控共享、MoE专家工作集视图(wisp)以及MLA原生的位置无关缓存以支持agentic多会话(irminsul)。研究重点为命中率、TTFT/TPOT与显存利用率的平衡。

Agent会话/工作流级服务调度与SLO-成本协同

合并A3(工作流级调度与过载控制)、B2(会话感知serving)与C1(工作流原子调度)中的调度决策类工作:共同点是把调度单元从单次请求上移到会话/工作流轨迹,用观测替代预测做批处理与分阶段放置(observation_not_prediction)、按工作流图做原子级放置(saga)、端到端时延与SLO/成本联合弹性伸缩(deepservecb、transcending_cost_quality_tradeoff)、松弛度感知过载控制(flowguard),并以异步上下文预执行(hexagent)、长时程agent化服务(smoothagent)、动态agent工作流服务(efficient_serving_for_dynamic_agent_workflows)与分布式编排(heddle)降低端到端算力浪费。

KV跨请求/跨模型复用、批处理与沙箱/容错机制

合并B2与C1中偏“机制实现”的条目:共同点是通过状态复用来消除重复prefill与冷启动——跨LoRA与多租户KV复用(forkkv)、多轮会话缓存(swiftcache)、有状态算子零拷贝抽象与可扩展编排模式(aaflow两篇)、批量查询计划合并(batch_query_processing)、策略梯度式自适应批处理(adaptive_inference_batching)、工具调用空闲期的推测预填充(idleness_is_relative)、沙箱预分配调度(specbox)与JIT持久内核检查点容错(concordia_jit)。研究重点是复用粒度、批形状与GPU驻留恢复对吞吐/尾延迟的影响。

上下文表示压缩、工具接口/MCP协议开销与分层语义缓存

合并A9(MCP/工具调用开销)与B4(表示与缓存驱动的token削减):共同点是不改硬件与服务栈,而从agent与模型的交互内容下手——端到端剖析MCP token流与延迟归属(promcp)、规模网关削减工具选择token与响应时间(scalable_llm_agent_tool_access)、代码执行式工具编排(from_tool_orchestration_to_code_execution)、自然语言vs结构化调用(the_remarkable_effectiveness_of_providing_ai);并以token高效记法(notation_matters)、工具流式注入与监控(streamknight)、潜在空间预测替代显式调用(multimodal_latent_reasoning)、抽象算子级证明(aoa)以及工作流级/工具级分层缓存(hierarchical_caching_for_agentic_workflows)压缩输入输出token与调用次数。

Agent记忆的结构化组织与检索策略(上下文成本控制)

合并A4与C5中偏“记忆读取/检索”的部分以及B4的迭代检索记忆:共同点是把检索当作可学习的控制过程而非被动召回——学习式记忆控制与主动记忆(memory_as_a_controlled_process、from_passive_retrieval_to_active_memory)、先组织后检索的层级导航(organize_then_retrieve)、意图感知结构化库的帕累托检索(prism)、低开销记忆服务(akashic)、迭代记忆整合搜索(memsearcher)以及deep research agent的自主检索框架。研究重点是检索精度与token/prefill开销的帕累托前沿。

零token记忆服务、弹性记忆编排与可验证上下文治理

来自C5的独立论点,与上组“检索策略”互补:共同点是反对“再调用一次LLM来管理记忆”,以确定性结构化机制替代:零token记忆操作(zero_mem)、演化认知与弹性记忆(autoagent)、交互原生的有界工作缓冲区知识harness(absorbing_complexity)、带版本与审计的可验证上下文治理(contextnest)、运行时AI性能与安全分析(analisis_kinerja_dan_keamanan_runtime_ai)以及状态化推荐中的长时行为蒸馏(recgpt_v3)。研究重点是记忆维护本身的开销与可治理性。

单轨迹内技能检索、工具选择与观察压缩的推理时优化

合并C6与A4中的前置条件类工作:共同点是在一次agent轨迹内部用轻量检索/压缩/复用替代昂贵推理与上下文堆积——技能语义分解重排(task_decomposition_guided_reranking)、层级技能-原子动作图(hiskill)、子agent返回代码位置精简上下文(fastcontext)、保持下一步动作的观察压缩(coact)、带经验记忆的检索优先深度搜索(lightsearcher)、成本高效的检索辅助分类(rag_har)、符号概念复用减少生成token(symbomni),以及以执行前置条件减少无效动作(preventing_premature_commitment)。研究重点为交互步数、上下文膨胀与生成token的同步下降。

多Agent协作的冗余消除与协调开销控制

合并A7与C4中的“削减通话与参与”类工作(含两个agentdropout命名变体):共同点针对“N个agent就要N次调用”的固有开销——动态agent丢弃与冗余消除(agentdropout两篇、socialdropout)、并发控制与咨询式协议(coagent)、层级协商降低通信token(sovereign_negotiator_network)、RAG+动态参与的多agent架构(multi_agent_architecture_with_rag_and_dynamic),并以rcwt量化协调开销造成的任务预算位移。研究重点是通信轮次、token与冗余推理的系统性削减。

多Agent拓扑搜索、并行执行与编排粒度控制

与上一组并列但优化对象不同:上一组减少“参与者”,本组重塑“协作图与并行形状”——质量门控的合并粒度(agent_capsules)、对比式在线并行派发(parallelizing_llm_agent_execution_with_contrastive)、多桌面并行GUI基准(beyond_sequential_interaction)、元技能级编排经验复用(skill_mas)、拓扑-执行联合层次搜索(coupled_hierarchical_search)、数据流水线动态编排(dynamic_orchestration_of_data_pipelines)与RL多agent工作流算法应用(application_of_ai_agentic_workflow_algorithms)。共同点在保持任务质量前提下压缩步骤数、调用轮次与串行等待。

Agent工作流的自适应编排与算力预算分配

来自B5的独特分组,与多agent结构优化区别在于它面向“哪些节点执行、以何深度执行、给谁多少预算”的运行期按需计算:目标感知注意力编排(focus_is_all_you_need)、反事实harness学习(chill_harness)、图任务自适应分区(adastorm)、控制器式阶段管控(controller_makes_pentesting_better)、LLM驱动的多agent工作流(lmw)以及自动化工作流生成(aflow)。研究重点是用编排级决策削减不必要的推理、通信与token开销。

多Agent架构的成本-性能权衡评估与综述

合并A8与B6/B5中的评估与综述类文献:共同点不以提出新系统为目标,而是度量多agent结构复杂度的成本结构——不同架构的token与费用对比(multi_agent_architectures_based_on_large_scale_low_generation)、更复杂编排带来的负面消融(chromaflow)、动态编排与路由的系统taxonomy(the_systems_architecture_of_llm_multi_agent)、多agent综述(a_review_of_multi_agent_ai_systems、leveraging_large_language_models_in_multiagent)、基准框架(a_multi_agent_benchmarking_framework)以及“agentic复杂度的幻觉”实证(the_illusion_of_agentic_complexity)。为其他分组提供可比较的成本口径。

端到端Agent应用的Token开销实证与轻量化架构重构

来自B6(并入C6中的两个应用型系统):共同点以具体应用系统为载体做token/延迟放大实证,并通过架构重构在保持效果的同时降本——程序修复与MAS失败修复(autonomous_repair_for_multi_agent_systems、kebugfix)、异构agent小队的“不可靠性税”(heterogeneous_agent_cohorts)、可审计的确定性编排(toward_auditable_multi_agent_ai)、通用Web导航(webchallenger)、MLLM移动UI成本削减(wip_a_solution_for_reducing)、临床双环agent(icer)与实时个性化agent(visualclaw)。研究重点是端到端调用次数、token与延迟的真实测量。

模型级推理降本:量化、蒸馏、推测解码与提示压缩

保留A5这一独特分组(C3中与其他路由工作混合,此处还原为“单次模型推理”层面):共同点是直接在模型与生成侧降算力——低比特部署与定制化(towards_scalable_customization_and_deployment_of)、量化引发的推理token膨胀(quantization_inflates_reasoning_token)、推理蒸馏到轻量模型(distilling_llm_reasoning_into_lightweight_neural)、响应级级联推测解码(rlm_cascade)以及心理语言学驱动的提示压缩(linguashrink)。研究重点在算力-精度-token长度三者互动。

成本感知的模型路由、级联升级与验证器选择

合并A6、B3与C3中的“决策机制”类文献:共同点是把“选谁做、何时升级、是否延后判断”形式化为成本-质量权衡——路由有效性判据(when_is_routing_meaningful)、门控式路由与通信(route_communicate_and_reason)、对冲式冗余计算(haco)、奖励级联的judge延后(share_the_judge_learn_the_deferral)、预算约束下角色路由(budgeted_multi_agent_routing)、边端LLM选择(sela_smart_edge)、多模态学习式路由(towards_resource_efficient_multimodal_intelligence_learned_routing)、教育场景选择性升级编排(fairtutor)、轻量代理框架的压缩级联(an_efficient_llm_agent_framework)、验证器连续打分选优(llm_as_a_verifier)以及检索中渐进取证按成本升级(from_naive_rag_to_deep_agentic)。

查询自适应工作流选择、模型池架构与客户端部署优化

与上一组并列但层次不同:上一组是“路由器/决策算法”,本组是“路由所依托的系统架构与操作层选择”——harness原生的路由数据飞轮(agentic_routing_the_harness)、查询自适应工作流池化(flowbank)、模型池Workload-Router-Pool三层架构(the_workload_router_pool_architecture)、多智能体工作流组合选择(optimizing_the_cost_quality_tradeoff_of_agentic)、向量库等组件的选型与发现(selection_approaches_of_vector_databases、the_discovery_and_solution_of_the)、客户端模型-角色组合搜索(agentopt_v01)与统一隐状态控制接口(multi_head_latent_control)。共同点是把成本-质量折中落到可配置的系统组件选择上。

运行时门控、推测执行与预测式自愈的可靠性开销平衡

保留C8这一独特分组:共同点讨论“为保证安全/正确而额外付出的算力”如何最小化——轻量能力令牌与选择性升级的运行期委派门控(capfence)、证书门控的推测执行在约束下复用廉价草稿(certified_speculative_execution)、基于模型预测控制的多agent流水线预测式自愈(predictive_self_healing)以及推测生成与验证/剖析重叠的内核优化(specgen)。研究重点是低成本门控信号与“仅在必要处付昂贵算力”的原则。

Agent运行时算力滥用、注入防护与可问责性

合并A10与B4中的安全类文献:共同点从安全与问责视角审视运行时算力——MCP工具隐式窃取算力(leechhijack)、单条消息触发递归放大与DDoS式耗尽(can_a_single_message_paralyze)、支付通道/计量式可问责agent间路由(poster_the_case_for_accountable_agent_to_agent),以及agentic提示注入的缓解(prompt_injection_mitigation_with_agentic_ai)。研究重点是攻击面识别、资源计量与防护机制自身的开销。

GPU/芯片架构与推理部署选型优化

合并A11的GPU部署选型与B7中的芯片/体系结构类文献:共同点从物理资源与硬件架构层面压缩延迟与带宽——Flash近存与超大规模实时推理(lincoln)、SRAM-HBM混合CIM(shmt)、batch-1 decode的真实内存墙分析(memory_bound_but_not_bandwidth_limited)、消费级Blackwell的量化选型(private_llm_inference_on_consumer_blackwell)、多节点低延迟推理架构(multi_node_inference_architectures)、多chiplet GEMM远程流量局部性仿真(a_fast_locality_simulator_for_gemm)以及三层认知硬件划分(rethinking_ai_hardware)。

异构xPU、无服务器与OS级运行时的资源调度与能效

从B7中拆出的平台/系统软件子集,与上组(芯片与部署选型)并列不交叉:共同点是用平台机制而非模型改动来压缩能耗与启动/隔离开销——异构xPU多agent能效编排与PD分离FFN解耦(ecoxpu)、无服务器冷启动与资源分配(sustainable_serverless_computing)、设备端TrustZone安全推理加速(flexserve)、联邦推理的性能-成本优化(performance_and_cost_optimization_of_federated)、隐私保护的边缘大模型部署(efficient_and_privacy_preserving_large_language_model)与OS级agent harness(aohp)。

端侧与嵌入式推理实测、分层协同与模型轻量化

合并C7的前半(设备侧)与A11的嵌入式剪枝、A12的移动UI agent:共同点面向功耗、热、带宽与内存墙受限的设备环境——多平台端侧推理实测与热节流(llm_inference_at_the_edge_mobile)、分层模块共享与层切分协同(edgecoinfer)、嵌入式agent分层参考架构(toward_a_modular_architecture_for_embedded)、IoT层次化多agent延迟-能耗平衡(poster_an_llm_assisted_iot_agent_system)、自动驾驶轻量置信度感知蒸馏(decision_making_with_lightweight_confidence_aware_language_model)、面向具身平台的模型剪枝(transformer_pruning_and_optimization_for_embodied)与资源高效移动UI agent(resource_efficient_ui_agents_for_mobile_task)。

边缘-云-端任务卸载与跨层协同编排

合并A12与C7中偏“卸载/跨层调度”的文献:共同点是在算力、能耗与时延受限下决定“在哪算、算什么、如何分片协同”——LLM agent决策式任务卸载(ai_agent_based_adaptive_task_offloading)、云边分层强化学习编排(agentic_ai_framework_for_autonomous_multi_step)、海事边缘云卸载(task_offloading_in_marine_edge_clouds)、agentic卸载工作流方法(an_agentic_task_offloading_workflow_method)、云边端协同多模态架构(a_cloud_edge_device_collaborative_architecture_for_multimodal)与大-小模型协同蒸馏支持实时6G(collaborative_largesmall_ai_models_for_6g)。

无线/O-RAN网络与工业实时系统的资源-能耗协同

合并B8与C7中的网络侧文献:共同点把agent放入具硬性资源与实时性约束的外部系统——6G网络切片资源协商与锚定偏差缓解(mitigating_anchoring_bias)、O-RAN/AI-RAN意图驱动能耗协同(from_ran_control_to_agentic_intelligence)、无线边缘安全与能耗(secure_and_energy_efficient_wireless_agentic_ai)、边缘IoT安全模式选择(self_adaptive_multi_agent_llm_based_security_pattern_selection)、AGV集群毫秒级协同调度(expert_guided_reinforcement_learning_for_coordinated)、多请求LLM工作负载的性能-能耗刻画(characterizing_performanceenergy_trade_offs)与企业云原生工作流的延迟/利用率优化(an_agentic_ai_framework_for_enterprise)。

成本建模、基准评测与云算力经济视角

合并C9、B3与A2中的度量/经济学类文献并补入部署选型:共同点提供统一成本口径与宏观视角——ReAct循环token的二次型成本模型(a_cost_model_for_token_consumption)、编程语言选择对轨迹token开销的实证(the_best_programming_language_for_tokenmaxxing)、本地vs云端与单/多agent精度-算力对照(comparative_evaluation_of_local_vs_cloud)、覆盖能耗与成本趋势的LLM综述taxonomy(llmorbit)、agent作为云服务一级消费者的A2C经济框架(conceptualizing_the_agent_to_cloud_economy)以及面向云上LLM的虚拟机选型(cost_efficient_vm_selection_for_cloud_based_llm)。

Agent 运行时资源/算力消耗

将三套初始化分组(12+8+9 组,共 179 篇)合并去重后得到 25 个并列分组,按“由内核到系统、由单模型到多智能体、由云端到端侧、由技术到经济”的顺序组织:(1) 模型内核层——注意力稀疏化与KV表示压缩、KV分层卸载与异构内存/近存架构、显存工作集与KV调度算法,三者分别对应“压缩表示/扩展容量/决定放置”三种手段;(2) 服务运行层——agent 会话与工作流级调度与 SLO-成本协同、KV 跨请求跨模型复用与批处理/沙箱容错机制;(3) 交互内容层——上下文表示压缩+工具/MCP 协议开销+分层语义缓存、记忆的结构化组织与检索、零token记忆与可验证上下文治理、单轨迹内技能检索与观察压缩;(4) 多智能体与编排层——冗余消除与协调开销、拓扑搜索与并行执行、工作流自适应编排与预算分配、以及架构成本-性能实证与综述;(5) 应用与模型降本层——端到端应用 token 实证与轻量化重构、模型级量化/蒸馏/推测解码/提示压缩;(6) 决策层——成本感知路由级联与验证器选择、查询自适应工作流与模型池架构选型;(7) 可靠性/安全层——运行时门控与推测执行、算力滥用与注入防护问责;(8) 硬件与部署层——GPU/芯片架构与部署选型、异构xPU与无服务器/OS运行时、端侧嵌入式推理与轻量化;(9) 场景约束层——边缘-云-端卸载、无线/O-RAN 与工业实时系统能耗协同;(10) 度量层——成本建模、基准评测与云算力经济。合并原则是:同一“优化对象”的文献归并(如把散落在三套分组的KV压缩/量化/稀疏注意力合为一组、把三套分组的路由文献按“决策算法 vs 系统架构”二分),不同“实现层次”的文献保持并列(如表示压缩 vs 内存分层 vs 调度策略;设备侧推理 vs 跨层卸载),并保留原有独特分组(模型级降本、运行时门控、安全问责、编排预算分配、应用实证、成本经济),使各分组主题具体、彼此不交叉且覆盖全部 179 篇文献。

让 AI 读完这 179 篇文献,进入工作区深入研究
研究方向与代表作共识与分歧研究空白与可做的问题
共 179 篇文献,25 个研究方向
注意力稀疏化与KV表示压缩(长上下文计算/存储优化)

三组中最早出现的“token级”优化主线被拆散在多个分组(A1、B1、C2),此处合并归一:共同点是不改动serving栈与硬件,仅在注意力机制与KV表示层面削减开销——块稀疏/多段注意力(minimax_sparse_attention、multi_segment_attention)、三轴混合精度与4-bit量化(triaxialkv、ultraquant)、离群感知聚类与时空重加权(oasis、star_kv)、KV递归折叠与无损指数编码(kv_fold、splitzip)、以及潜在表示精简(when_less_latent_leads_to_better)。研究重点是精度-显存-延迟三角权衡,指标为KV占用、decode时延与能耗。相关文献:Xunhao Lai et. al, 2026 等 9 篇文献

KV缓存分层卸载与异构内存/近存架构

合并A2(多级内存管理)与B1、C2中的存储层级与器件类工作:共同点是KV随上下文线性膨胀突破HBM容量墙,因而在DDR5/CXL/SSD/主机内存之间做分层放置,并通过读写感知tiering(rw_cache)、CXL内存池(llm_kv_cache_storage_using_cxl)、Flash换页(hifc)、GPU中心化KV服务(tardis)、内存解耦云基础设施(enabling_memory_disaggregated_cloud)以及3D近存与多芯粒存内架构(m3dkv、amma)来扩展容量与带宽;predictive_multi_tier与mcam给出多级管理与预取/重算策略。研究重点是数据搬运代价与容量-带宽-延迟的联合最优。相关文献:Yifan Hu et. al, 2025 等 9 篇文献

显存工作集与KV缓存调度算法(驱逐、稀疏检索、专家驻留)

保留A2中偏“策略/算法”而非“器件”的部分,并吸收B1的服务化调度与MoE工作集研究:共同点是在既有HBM预算内决定放什么、何时驱逐、如何检索与预取——热度感知前缀调度(hotprefix)、加速卸载(adaptivekv)、溢出管理(efficient_kv_cache_spillover)、分离式部署下的动态KV(dynamicattention、dualdecoder)、多段注意力受控共享、MoE专家工作集视图(wisp)以及MLA原生的位置无关缓存以支持agentic多会话(irminsul)。研究重点为命中率、TTFT/TPOT与显存利用率的平衡。相关文献:Yuhang Li et. al, 2025 等 7 篇文献

Agent会话/工作流级服务调度与SLO-成本协同

合并A3(工作流级调度与过载控制)、B2(会话感知serving)与C1(工作流原子调度)中的调度决策类工作:共同点是把调度单元从单次请求上移到会话/工作流轨迹,用观测替代预测做批处理与分阶段放置(observation_not_prediction)、按工作流图做原子级放置(saga)、端到端时延与SLO/成本联合弹性伸缩(deepservecb、transcending_cost_quality_tradeoff)、松弛度感知过载控制(flowguard),并以异步上下文预执行(hexagent)、长时程agent化服务(smoothagent)、动态agent工作流服务(efficient_serving_for_dynamic_agent_workflows)与分布式编排(heddle)降低端到端算力浪费。相关文献:You Peng et. al, 2026 等 9 篇文献

KV跨请求/跨模型复用、批处理与沙箱/容错机制

合并B2与C1中偏“机制实现”的条目:共同点是通过状态复用来消除重复prefill与冷启动——跨LoRA与多租户KV复用(forkkv)、多轮会话缓存(swiftcache)、有状态算子零拷贝抽象与可扩展编排模式(aaflow两篇)、批量查询计划合并(batch_query_processing)、策略梯度式自适应批处理(adaptive_inference_batching)、工具调用空闲期的推测预填充(idleness_is_relative)、沙箱预分配调度(specbox)与JIT持久内核检查点容错(concordia_jit)。研究重点是复用粒度、批形状与GPU驻留恢复对吞吐/尾延迟的影响。相关文献:Shao Wang et. al, 2026 等 9 篇文献

上下文表示压缩、工具接口/MCP协议开销与分层语义缓存

合并A9(MCP/工具调用开销)与B4(表示与缓存驱动的token削减):共同点是不改硬件与服务栈,而从agent与模型的交互内容下手——端到端剖析MCP token流与延迟归属(promcp)、规模网关削减工具选择token与响应时间(scalable_llm_agent_tool_access)、代码执行式工具编排(from_tool_orchestration_to_code_execution)、自然语言vs结构化调用(the_remarkable_effectiveness_of_providing_ai);并以token高效记法(notation_matters)、工具流式注入与监控(streamknight)、潜在空间预测替代显式调用(multimodal_latent_reasoning)、抽象算子级证明(aoa)以及工作流级/工具级分层缓存(hierarchical_caching_for_agentic_workflows)压缩输入输出token与调用次数。相关文献:Sumera Anjum et. al, 2026 等 9 篇文献

Agent记忆的结构化组织与检索策略(上下文成本控制)

合并A4与C5中偏“记忆读取/检索”的部分以及B4的迭代检索记忆:共同点是把检索当作可学习的控制过程而非被动召回——学习式记忆控制与主动记忆(memory_as_a_controlled_process、from_passive_retrieval_to_active_memory)、先组织后检索的层级导航(organize_then_retrieve)、意图感知结构化库的帕累托检索(prism)、低开销记忆服务(akashic)、迭代记忆整合搜索(memsearcher)以及deep research agent的自主检索框架。研究重点是检索精度与token/prefill开销的帕累托前沿。相关文献:E. Jiang et. al, 2026 等 7 篇文献

零token记忆服务、弹性记忆编排与可验证上下文治理

来自C5的独立论点,与上组“检索策略”互补:共同点是反对“再调用一次LLM来管理记忆”,以确定性结构化机制替代:零token记忆操作(zero_mem)、演化认知与弹性记忆(autoagent)、交互原生的有界工作缓冲区知识harness(absorbing_complexity)、带版本与审计的可验证上下文治理(contextnest)、运行时AI性能与安全分析(analisis_kinerja_dan_keamanan_runtime_ai)以及状态化推荐中的长时行为蒸馏(recgpt_v3)。研究重点是记忆维护本身的开销与可治理性。相关文献:Yi-Lin Xiao et. al, 2026 等 6 篇文献

单轨迹内技能检索、工具选择与观察压缩的推理时优化

合并C6与A4中的前置条件类工作:共同点是在一次agent轨迹内部用轻量检索/压缩/复用替代昂贵推理与上下文堆积——技能语义分解重排(task_decomposition_guided_reranking)、层级技能-原子动作图(hiskill)、子agent返回代码位置精简上下文(fastcontext)、保持下一步动作的观察压缩(coact)、带经验记忆的检索优先深度搜索(lightsearcher)、成本高效的检索辅助分类(rag_har)、符号概念复用减少生成token(symbomni),以及以执行前置条件减少无效动作(preventing_premature_commitment)。研究重点为交互步数、上下文膨胀与生成token的同步下降。相关文献:Yanping Chen et. al, 2026 等 8 篇文献

多Agent协作的冗余消除与协调开销控制

合并A7与C4中的“削减通话与参与”类工作(含两个agentdropout命名变体):共同点针对“N个agent就要N次调用”的固有开销——动态agent丢弃与冗余消除(agentdropout两篇、socialdropout)、并发控制与咨询式协议(coagent)、层级协商降低通信token(sovereign_negotiator_network)、RAG+动态参与的多agent架构(multi_agent_architecture_with_rag_and_dynamic),并以rcwt量化协调开销造成的任务预算位移。研究重点是通信轮次、token与冗余推理的系统性削减。相关文献:Zhengxi Xiao et. al, 2026 等 7 篇文献

多Agent拓扑搜索、并行执行与编排粒度控制

与上一组并列但优化对象不同:上一组减少“参与者”,本组重塑“协作图与并行形状”——质量门控的合并粒度(agent_capsules)、对比式在线并行派发(parallelizing_llm_agent_execution_with_contrastive)、多桌面并行GUI基准(beyond_sequential_interaction)、元技能级编排经验复用(skill_mas)、拓扑-执行联合层次搜索(coupled_hierarchical_search)、数据流水线动态编排(dynamic_orchestration_of_data_pipelines)与RL多agent工作流算法应用(application_of_ai_agentic_workflow_algorithms)。共同点在保持任务质量前提下压缩步骤数、调用轮次与串行等待。相关文献:Aninda Ray et. al, 2026 等 7 篇文献

Agent工作流的自适应编排与算力预算分配

来自B5的独特分组,与多agent结构优化区别在于它面向“哪些节点执行、以何深度执行、给谁多少预算”的运行期按需计算:目标感知注意力编排(focus_is_all_you_need)、反事实harness学习(chill_harness)、图任务自适应分区(adastorm)、控制器式阶段管控(controller_makes_pentesting_better)、LLM驱动的多agent工作流(lmw)以及自动化工作流生成(aflow)。研究重点是用编排级决策削减不必要的推理、通信与token开销。相关文献:Mingzhou Fan et. al, 2026 等 6 篇文献

多Agent架构的成本-性能权衡评估与综述

合并A8与B6/B5中的评估与综述类文献:共同点不以提出新系统为目标,而是度量多agent结构复杂度的成本结构——不同架构的token与费用对比(multi_agent_architectures_based_on_large_scale_low_generation)、更复杂编排带来的负面消融(chromaflow)、动态编排与路由的系统taxonomy(the_systems_architecture_of_llm_multi_agent)、多agent综述(a_review_of_multi_agent_ai_systems、leveraging_large_language_models_in_multiagent)、基准框架(a_multi_agent_benchmarking_framework)以及“agentic复杂度的幻觉”实证(the_illusion_of_agentic_complexity)。为其他分组提供可比较的成本口径。相关文献:R. Dushkin et. al, 2025 等 7 篇文献

端到端Agent应用的Token开销实证与轻量化架构重构

来自B6(并入C6中的两个应用型系统):共同点以具体应用系统为载体做token/延迟放大实证,并通过架构重构在保持效果的同时降本——程序修复与MAS失败修复(autonomous_repair_for_multi_agent_systems、kebugfix)、异构agent小队的“不可靠性税”(heterogeneous_agent_cohorts)、可审计的确定性编排(toward_auditable_multi_agent_ai)、通用Web导航(webchallenger)、MLLM移动UI成本削减(wip_a_solution_for_reducing)、临床双环agent(icer)与实时个性化agent(visualclaw)。研究重点是端到端调用次数、token与延迟的真实测量。相关文献:Hanxiao Lu et. al, 2026 等 8 篇文献

模型级推理降本:量化、蒸馏、推测解码与提示压缩

保留A5这一独特分组(C3中与其他路由工作混合,此处还原为“单次模型推理”层面):共同点是直接在模型与生成侧降算力——低比特部署与定制化(towards_scalable_customization_and_deployment_of)、量化引发的推理token膨胀(quantization_inflates_reasoning_token)、推理蒸馏到轻量模型(distilling_llm_reasoning_into_lightweight_neural)、响应级级联推测解码(rlm_cascade)以及心理语言学驱动的提示压缩(linguashrink)。研究重点在算力-精度-token长度三者互动。相关文献:Paresh Dashore et. al, 2026 等 5 篇文献

成本感知的模型路由、级联升级与验证器选择

合并A6、B3与C3中的“决策机制”类文献:共同点是把“选谁做、何时升级、是否延后判断”形式化为成本-质量权衡——路由有效性判据(when_is_routing_meaningful)、门控式路由与通信(route_communicate_and_reason)、对冲式冗余计算(haco)、奖励级联的judge延后(share_the_judge_learn_the_deferral)、预算约束下角色路由(budgeted_multi_agent_routing)、边端LLM选择(sela_smart_edge)、多模态学习式路由(towards_resource_efficient_multimodal_intelligence_learned_routing)、教育场景选择性升级编排(fairtutor)、轻量代理框架的压缩级联(an_efficient_llm_agent_framework)、验证器连续打分选优(llm_as_a_verifier)以及检索中渐进取证按成本升级(from_naive_rag_to_deep_agentic)。相关文献:Fantine Huot et. al, 2026 等 11 篇文献

查询自适应工作流选择、模型池架构与客户端部署优化

与上一组并列但层次不同:上一组是“路由器/决策算法”,本组是“路由所依托的系统架构与操作层选择”——harness原生的路由数据飞轮(agentic_routing_the_harness)、查询自适应工作流池化(flowbank)、模型池Workload-Router-Pool三层架构(the_workload_router_pool_architecture)、多智能体工作流组合选择(optimizing_the_cost_quality_tradeoff_of_agentic)、向量库等组件的选型与发现(selection_approaches_of_vector_databases、the_discovery_and_solution_of_the)、客户端模型-角色组合搜索(agentopt_v01)与统一隐状态控制接口(multi_head_latent_control)。共同点是把成本-质量折中落到可配置的系统组件选择上。相关文献:Xin-Chen Liu et. al, 2026 等 8 篇文献

运行时门控、推测执行与预测式自愈的可靠性开销平衡

保留C8这一独特分组:共同点讨论“为保证安全/正确而额外付出的算力”如何最小化——轻量能力令牌与选择性升级的运行期委派门控(capfence)、证书门控的推测执行在约束下复用廉价草稿(certified_speculative_execution)、基于模型预测控制的多agent流水线预测式自愈(predictive_self_healing)以及推测生成与验证/剖析重叠的内核优化(specgen)。研究重点是低成本门控信号与“仅在必要处付昂贵算力”的原则。相关文献:Anjali Srivastava et. al, 2026 等 4 篇文献

Agent运行时算力滥用、注入防护与可问责性

合并A10与B4中的安全类文献:共同点从安全与问责视角审视运行时算力——MCP工具隐式窃取算力(leechhijack)、单条消息触发递归放大与DDoS式耗尽(can_a_single_message_paralyze)、支付通道/计量式可问责agent间路由(poster_the_case_for_accountable_agent_to_agent),以及agentic提示注入的缓解(prompt_injection_mitigation_with_agentic_ai)。研究重点是攻击面识别、资源计量与防护机制自身的开销。相关文献:Yuan-He Zhang et. al, 2025 等 4 篇文献

GPU/芯片架构与推理部署选型优化

合并A11的GPU部署选型与B7中的芯片/体系结构类文献:共同点从物理资源与硬件架构层面压缩延迟与带宽——Flash近存与超大规模实时推理(lincoln)、SRAM-HBM混合CIM(shmt)、batch-1 decode的真实内存墙分析(memory_bound_but_not_bandwidth_limited)、消费级Blackwell的量化选型(private_llm_inference_on_consumer_blackwell)、多节点低延迟推理架构(multi_node_inference_architectures)、多chiplet GEMM远程流量局部性仿真(a_fast_locality_simulator_for_gemm)以及三层认知硬件划分(rethinking_ai_hardware)。相关文献:Wei-Yi Sun et. al, 2025 等 7 篇文献

异构xPU、无服务器与OS级运行时的资源调度与能效

从B7中拆出的平台/系统软件子集,与上组(芯片与部署选型)并列不交叉:共同点是用平台机制而非模型改动来压缩能耗与启动/隔离开销——异构xPU多agent能效编排与PD分离FFN解耦(ecoxpu)、无服务器冷启动与资源分配(sustainable_serverless_computing)、设备端TrustZone安全推理加速(flexserve)、联邦推理的性能-成本优化(performance_and_cost_optimization_of_federated)、隐私保护的边缘大模型部署(efficient_and_privacy_preserving_large_language_model)与OS级agent harness(aohp)。相关文献:Dong Dong et. al, 2026 等 6 篇文献

端侧与嵌入式推理实测、分层协同与模型轻量化

合并C7的前半(设备侧)与A11的嵌入式剪枝、A12的移动UI agent:共同点面向功耗、热、带宽与内存墙受限的设备环境——多平台端侧推理实测与热节流(llm_inference_at_the_edge_mobile)、分层模块共享与层切分协同(edgecoinfer)、嵌入式agent分层参考架构(toward_a_modular_architecture_for_embedded)、IoT层次化多agent延迟-能耗平衡(poster_an_llm_assisted_iot_agent_system)、自动驾驶轻量置信度感知蒸馏(decision_making_with_lightweight_confidence_aware_language_model)、面向具身平台的模型剪枝(transformer_pruning_and_optimization_for_embodied)与资源高效移动UI agent(resource_efficient_ui_agents_for_mobile_task)。相关文献:Pranay Tummalapalli et. al, 2026 等 7 篇文献

边缘-云-端任务卸载与跨层协同编排

合并A12与C7中偏“卸载/跨层调度”的文献:共同点是在算力、能耗与时延受限下决定“在哪算、算什么、如何分片协同”——LLM agent决策式任务卸载(ai_agent_based_adaptive_task_offloading)、云边分层强化学习编排(agentic_ai_framework_for_autonomous_multi_step)、海事边缘云卸载(task_offloading_in_marine_edge_clouds)、agentic卸载工作流方法(an_agentic_task_offloading_workflow_method)、云边端协同多模态架构(a_cloud_edge_device_collaborative_architecture_for_multimodal)与大-小模型协同蒸馏支持实时6G(collaborative_largesmall_ai_models_for_6g)。相关文献:Qing-Yang Zhang et. al, 2025 等 6 篇文献

无线/O-RAN网络与工业实时系统的资源-能耗协同

合并B8与C7中的网络侧文献:共同点把agent放入具硬性资源与实时性约束的外部系统——6G网络切片资源协商与锚定偏差缓解(mitigating_anchoring_bias)、O-RAN/AI-RAN意图驱动能耗协同(from_ran_control_to_agentic_intelligence)、无线边缘安全与能耗(secure_and_energy_efficient_wireless_agentic_ai)、边缘IoT安全模式选择(self_adaptive_multi_agent_llm_based_security_pattern_selection)、AGV集群毫秒级协同调度(expert_guided_reinforcement_learning_for_coordinated)、多请求LLM工作负载的性能-能耗刻画(characterizing_performanceenergy_trade_offs)与企业云原生工作流的延迟/利用率优化(an_agentic_ai_framework_for_enterprise)。相关文献:Hatim Chergui et. al, 2026 等 7 篇文献

成本建模、基准评测与云算力经济视角

合并C9、B3与A2中的度量/经济学类文献并补入部署选型:共同点提供统一成本口径与宏观视角——ReAct循环token的二次型成本模型(a_cost_model_for_token_consumption)、编程语言选择对轨迹token开销的实证(the_best_programming_language_for_tokenmaxxing)、本地vs云端与单/多agent精度-算力对照(comparative_evaluation_of_local_vs_cloud)、覆盖能耗与成本趋势的LLM综述taxonomy(llmorbit)、agent作为云服务一级消费者的A2C经济框架(conceptualizing_the_agent_to_cloud_economy)以及面向云上LLM的虚拟机选型(cost_efficient_vm_selection_for_cloud_based_llm)。相关文献:Carson Gross et. al, 2026 等 6 篇文献