重定義動作單位助Agent推理省逾兩成開銷

效率瓶頸所在

智能體正從簡單問答快速走向搜索、代碼生成、網頁操作與多輪工具調用。隨着任務複雜度提升，一個長期存在的效率瓶頸也愈發突出：要完成一次完整任務，智能體往往需要生成很長的動作序列。

單步優化的局限

過往的優化大多集中在模型架構、推理系統、上下文壓縮或生成策略上，希望讓智能體的每一步更快。然而只要完成任務所需的決策步驟總數沒有減少，整體推理成本仍會隨任務鏈條不斷增長。

重定義動作單位

MetaGPT團隊提出另一種思路：與其只優化每一步，不如直接重新定義智能體的動作單位。該方法名為Latent Action Reparameterization（LAR），研究成果將於NeurIPS 2026發表。

節省token開銷

據團隊介紹，該方法直接減少完成任務所需的決策步驟總數，token開銷可節省約27%。對長鏈條任務而言，這意味着更低的推理成本與更快的整體完成速度，為智能體成本控制提供了新方向。