Jenius Agent：迈向真实场景中的经验驱动准确率优化

随着由大语言模型 (LLM) 支持的代理系统的进步，提高自主代理的任务性能，特别是在上下文理解、工具使用和响应生成方面，变得越来越重要。尽管之前的研究已经推进了基于 LLM 的智能体的整体设计，但其内部推理和工具使用流程的系统优化仍然没有得到充分探索。本文介绍了一种基于现实世界实践经验的代理框架，具有三个关键创新点：（1）自适应提示生成策略，与代理的状态和任务目标相一致，以提高可靠性和鲁棒性； (2) 上下文感知工具编排模块，根据用户意图和上下文执行工具分类、语义检索和自适应调用； (3)分层记忆机制，集成会话记忆、任务历史和外部摘要，通过动态摘要和压缩来提高相关性和效率。名为 Jenius-Agent 的端到端框架集成了三个关键优化，包括基于模型上下文协议 (MCP)、文件输入/输出 (I/O) 和执行反馈的工具。实验表明，任务准确性提高了 20%，同时token成本、响应延迟和调用失败也降低了。该框架已部署在 Jenius (https://www.jenius.cn) 中，为健壮、协议兼容的自治代理提供轻量级且可扩展的解决方案。