微软新研究：自然语言技能注入，让 Agent 推理成本降 6 倍
dair_ai · x · 2026-08-12
微软发布的一项新研究指出，在多步智能体任务中，推理模式虽然效果更好，但会消耗非推理模式 3 到 6 倍的输出 Token，且大量算力被用于重复推导模型此前已经得出的经验。
为了降低这部分高昂的推理成本，该研究提出了一种“技能摊销”方法：
- 技能提取与注入：让编程 Agent 读取少量已有的训练轨迹，将其编译成紧凑的自然语言技能，并注入到非推理模型的系统提示词中。
- 性能表现：在 ALFWorld、tau-squared-bench 等基准测试中，这种装备了技能的非推理模型弥补了 55% 到 100% 以上的推理能力差距。
- 降本增效：在其中两个基准测试里，它甚至直接超越了推理模式，同时减少了 2.7 到 6 倍的输出 Token，并将推理 Token 消耗降至零。
「编程与Agent」频道最新
- 开发者实测：Junior编程助手已能在日常开发中替代Codex — zeeg · 2026-08-12
- Coinbase支付套件更新：支持AI智能体直接使用稳定币付款 — kleffew94 · 2026-08-12
- 曝 gpt-5.6-sol 编程能力惊艳，配 Mac 跑模拟器可独立开发 iOS 应用 — dkundel · 2026-08-12
- 开发者自述：用自研工具 Junior 意外替代了日常使用的 Codex — zeeg · 2026-08-12
- LangChain 实测：仅 7% 调用需前沿模型，路由降本 74% — colinmcnamara · 2026-08-12
- 实测OpenAI Codex：连找并修复5个大漏洞，表现超其他模型 — dkundel · 2026-08-12