AI智能體如何感知任務複雜度：E3框架實現高效執行與成本優化

本文針對大型語言模型智能體在自動化工作流中普遍存在的「過度讀取」問題，提出了一種任務感知型執行範圍估算方法。現有智能體常採用最大上下文策略，導致簡單任務被轉化為複雜的程式碼庫審計，造成資源浪費。作者形式化了最小充分執行概念，並定義了智能體認知冗餘比率（ACRR）。為此，研究提出了E3框架（估計、執行、擴展），智能體首先估算初始操作點，執行最小可行路徑，僅在驗證失敗時擴展範圍。在MSE-Bench基準測試中，E3以百分之百的成功率匹配最強基線，同時將成本降低百分之八十五，Token消耗減少百分之九十一，檢查檔案數減少百分之九十二。在真實模型LLM-Case實驗中，E3在保持同等任務成功率的同時，成為最精簡且最快的策略，僅受限於供應商速率限制而非編輯錯誤。該研究為工程化人工智能提供了新的執行範式。