来自加州大学伯克利分校、西北大学和伊利诺伊大学厄巴纳-香槟分校的一项新研究论文揭示,“挽具”(harness)——即围绕大型语言模型(LLM)的系统提示、工具和循环——在成本上对 AI 智能体(agent)有显著影响,但对准确性没有影响。研究发现,改变“挽具”可能使相同模型和任务的成本增加高达 2.6 倍,这主要是由于在无状态 LLM 调用中重复重新读取上下文。研究人员分析了 Claude Code、Codex 和 GPT-6 Luna 等模型的运行轨迹,观察到尽管不同“挽具”的准确性相似,但更复杂的“挽具”会产生显著更高的费用,这通常是由于冗长的系统提示和工具模式。 AI
影响 强调优化 LLM 智能体(agent)的“挽具”(harness)可以在不牺牲性能的情况下显著降低运营成本。
排序理由 关于 LLM 智能体(agent)“挽具”(harness)成本影响的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Amazon Bedrock
- Claude Code
- GPT-6 Luna
- Northwestern University
- Opus 5.5
- Qwen3 8.27B
- Sonnet 5.5
- SWE-bench Verified
- System Optimizations for Cost-Efficient Agent Harnesses
- University of California, Berkeley
- University of Illinois Urbana-Champaign
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →