学习配置Agentic AI系统

配置基于 LLM 的代理系统涉及从大型组合设计空间中选择工作流程、工具、token预算和提示，目前通常通过固定的大型模板或手动调整的启发式方法来处理。这会导致脆弱的行为和不必要的计算，因为相同的繁琐配置通常应用于简单输入查询和硬输入查询。我们将代理配置制定为明智的查询决策问题，并引入 ARC（代理资源和配置学习器），它使用强化学习来学习轻量级分层策略，以动态定制这些配置。在涵盖推理和工具增强问答的多个基准中，学习策略始终优于强大的手工设计基准和其他基准，实现了高达 25% 的任务准确性提高，同时还降低了token和运行时成本。这些结果表明，学习每个查询代理配置是“一刀切”设计的强大替代方案。