Convex-Hull Monte Carlo Tree Search

新研究优化LLM智能体工作流的成本和效率

多篇研究论文正在探索优化大型语言模型（LLM）中多智能体工作流的方法，通过根据成本和能力智能地将任务路由到不同的模型层级。InFlowOp和MoFlow分别专注于无标签的成本优化和多目标生成。Planner-as-Router (PaR)和AgentRouter通过将模型选择直接集成到规划过程中来解决这个问题，目标是与仅使用前沿模型相比，显著降低成本。这些方法有望通过动态匹配任务复杂性与适当的模型层级，使LLM智能体系统更高效、更具成本效益。