ARTEMIS - LLM 智能体的自动化进化优化

阅读日期: 2026-03-16 论文类型: AI 智能体综述 推荐指数: ⭐⭐⭐⭐⭐ 一、核心问题 问题背景 2025 年是"AI 智能体元年"，LLM 驱动的智能体系统快速发展，但领域存在定义模糊、评估碎片化、框架混乱等问题。 研究问题 如何系统性地理解、评估和构建 LLM 驱动的自主 AI 智能体？ 问题意义 统一认知: 提供清晰的智能体分类和定义 指导实践: 帮助选择合适的框架和基准 推动发展: 指明未来研究方向和应用场景 二、创新点 1…

一句话概括：如何让 LLM 在处理复杂研究任务时，能够有效利用外部工具、维护推理上下文，并生成可解释的推理路径？ 问题拆解： 知识局限：LLM 训练数据有截止日期，无法获取最新信息 推理断裂：长推理链中容易丢失上下文，导致逻辑不一致 计算受限：LLM 无法执行复杂计算（如数学、数据分析） 单一能力：传统 LLM 缺乏外部工具调用能力 黑盒问题：推理过程不透明，难以调试和改进 对高爷工作的关联： 直接相关：AI Agent 开发、OpenClaw 工具集成 间接相关：SmartPerfetto 中的 AI 辅助分析 技术栈：LLM 应用、工具调用、知识管理 Agentic Reasoning 论文的核心价值在于"多智能体协作"和"结构化知识管理"。这两个概念不仅适用于 LLM 推理增强，也可以应用于各种复杂任务处理场景。...

如何将大型语言模型（LLM）从被动的文本生成器，转变为能够自主规划、行动和学习的智能体？ 子问题 环境适应性：如何让LLM在开放、动态的环境中持续交互？ 能力进化：如何通过反馈和记忆机制实现自我提升？ 协作智能：如何从单智能体扩展到多智能体协作？

LLM Agent 串行执行"LLM 推理 → 工具调用"循环，工具执行占总时间 35%-61%。LLM 持有昂贵资源却被迫等待外部工具返回结果，造成严重的延迟瓶颈和资源浪费。