AgentBetta：通过选择性扩展与验证式收缩实现验证驱动的AI纳米Agent自适应配置

大语言模型智能体通常以预定义配置部署，但任务所需的模型能力、上下文、工具、权限、记忆和计算资源可能差异巨大。本研究开发并评估了 AgentBetta，一个自适应 AI 纳米智能体框架，它将这些因素表示为可执行配置，并通过验证驱动的诊断、选择性扩展和基于验证的反事实收缩进行更新。评估区分了受控机制验证与外部智能体比较。在 AB-ConfigBench 基准上，AgentBetta 达到 91.38% 的验证成功率，同时将上下文中位数分配从 64,000 字符降至 8,000 字符，工具暴露中位数从五个降至零（与完全供给配置相比）。配置缺陷诊断在评估维度上的宏 F1 为 0.819、精确率为 1.000，选择性扩展避免了对无关配置维度的不必要更改。成功后的收缩在 56.41% 的单维收缩探针中保持了验证结果，表明部分成功配置在受测条件下含有可移除的能力。外部评估表明自适应配置可以改善验证任务完成与能力暴露之间的平衡，但结果在不同基准和智能体系列间存在差异：跨系列复现未能重现主骨干的准确率排序，且专用系统在某些任务领域仍然更优。这些结果支持将 AgentBetta 理解为调节能力分配和推理支出的配置自适应机制，而非专用智能体架构的通用替代品。