EnvOpt：面向智能体环境的自动化优化

EnvOpt 是芝加哥大学、UC Berkeley Sky Computing Lab 与 Bespoke Labs 提出的一种方法，可自动重构智能体的静态环境以降低成本，在五个基准的未见测试集上将目标智能体的成本平均降低 48%，同时通过率更高或相近。在 AutomationBench 上，它以仅 15% 的成本将通过率比 Meta-Harness 高出 9.67%，且优化后的环境可迁移到其他 harness 和模型，包括在 AutomationBench 上平均降低 75.7% 的成本。大部分节省来自输入 token，主要是工具执行结果；在 AutomationBench 上进行一次离线优化约花费 150 美元，同时节省了运行 Claude Opus 4.8 的 77.5% 成本。