AgentDecarbonizer：人工智能代理的碳感知执行

AI 代理将 大语言模型 从单一提示响应交互扩展到长期运行、目标导向的工作流程，这些工作流程发出许多模型调用、调用工具并与外部环境交互。这些工作流程支持软件修复、数据分析和实验管理等任务，但它们的重复模型调用可能会产生大量碳排放。本文使用 WildClawBench 描述了 OpenClaw 代理工作负载的碳排放，并表明排放取决于词元消耗、上下文缓存重用和网格的碳强度。我们的特征将截止日期灵活性确定为碳意识执行的机会：代理任务可以等待较低的碳强度时期或转移到低碳网格。然而，这样做需要处理时间移位的不确定执行时间以及空间移位期间缓存的上下文重新计算。我们推出了 AgentDecarbonizer，这是一种与 OpenClaw 一起运行的 AI 代理碳优化器。给定任务提示和用户指定的截止日期，AgentDecarbonizer 会保守地估计任务持续时间并选择截止日期可行的执行计划，同时考虑空间转移期间的缓存重新计算开销。在 WildClawBench 工作负载上对四个网格中的 60 个代理任务进行评估后，AgentDecarbonizer 与碳无关基线相比，碳排放量减少了高达 57.9%，与在任务启动时选择碳最优网格的基线相比，碳排放量减少了高达 37.5%。