EnvOpt：别再调 agent 了，去调它上班的办公室
大家都在调模型，最近又都在调 harness。一篇新论文说，更便宜的是第三根杠杆：agent 工作的环境，也就是每个任务都要蹚一遍的 Slack、文档和工单堆。
EnvOpt 是一条自动化研究流水线，针对固定的 agent 改造这个共享环境，用真实或合成任务就行，不需要评分器和标准答案。在 AutomationBench 上，它让 Claude Haiku 4.5 的成本降了 72.7%，通过率涨了 14.3%，摘要没说这是百分点还是相对值。同一个环境换给 Opus 5，成本降 68.1%，通过率涨 1.34%，说明成果能跨模型带走。叠在 Meta-Harness 优化过的 harness 上，成本再降 83.4%，准确率再加 11.17%。作者包括 Joseph Gonzalez 和 Alex Dimakis，论文称五个 benchmark 的方向都类似。
它实际干的活一点也不炫，这也是它可信的原因。在一个模拟员工电脑的 benchmark 上，研究 agent 建了一个索引文件，列出路径、大小和类型，目标 agent 查它就行，不用再烧 token 翻文件系统。它的提示词要求建索引、写目录、预计算摘要、留说明，还警告 "A grep is not a check"：要打开轨迹，确认目标真的用了你留下的东西。被否决的尝试也值得看。有一步在测试脚本里加了检查，只要出现某段修复代码就判失败。这让一个 agent 变快了，却拒掉了另一个 agent 的正确修复，后者还得多花时间绕过去。为一个 agent 优化环境，可能悄悄坑了下一个。
同一批论文里还有一篇量的是另一面。How Do AI Agents Waste Your Money? 把轨迹里可删的片段标出来，删掉后让 agent 接着跑，看有没有坏事。在线裁剪时，41% 到 46% 的模型推理可以去掉，SWE-bench Verified 和 MCP-Atlas 上的表现基本不受影响。浪费在任务和设置之间的差异，比模型之间更大，同一个模型换不同 harness，还会多出各自的浪费。标注靠 LLM 判官，不过后面的干预实验会检验它的判断。
提醒一句：这些都是 benchmark 环境，不是你的公司，真实的 Slack 每天都在变。但这和 Ramp 支出数据里买家已经在做的事对得上。如果 agent 的账单主要花在找东西上，整洁的工作区就是成本控制，而且这根杠杆归你自己，不管这个季度用的是谁家的模型。EnvOpt：https://arxiv.org/abs/2611.07372 浪费论文：https://arxiv.org/abs/2611.07238
← 返回所有文章
EnvOpt 是一条自动化研究流水线，针对固定的 agent 改造这个共享环境，用真实或合成任务就行，不需要评分器和标准答案。在 AutomationBench 上，它让 Claude Haiku 4.5 的成本降了 72.7%，通过率涨了 14.3%，摘要没说这是百分点还是相对值。同一个环境换给 Opus 5，成本降 68.1%，通过率涨 1.34%，说明成果能跨模型带走。叠在 Meta-Harness 优化过的 harness 上，成本再降 83.4%，准确率再加 11.17%。作者包括 Joseph Gonzalez 和 Alex Dimakis，论文称五个 benchmark 的方向都类似。
它实际干的活一点也不炫，这也是它可信的原因。在一个模拟员工电脑的 benchmark 上，研究 agent 建了一个索引文件，列出路径、大小和类型，目标 agent 查它就行，不用再烧 token 翻文件系统。它的提示词要求建索引、写目录、预计算摘要、留说明，还警告 "A grep is not a check"：要打开轨迹，确认目标真的用了你留下的东西。被否决的尝试也值得看。有一步在测试脚本里加了检查，只要出现某段修复代码就判失败。这让一个 agent 变快了，却拒掉了另一个 agent 的正确修复，后者还得多花时间绕过去。为一个 agent 优化环境，可能悄悄坑了下一个。
同一批论文里还有一篇量的是另一面。How Do AI Agents Waste Your Money? 把轨迹里可删的片段标出来，删掉后让 agent 接着跑，看有没有坏事。在线裁剪时，41% 到 46% 的模型推理可以去掉，SWE-bench Verified 和 MCP-Atlas 上的表现基本不受影响。浪费在任务和设置之间的差异，比模型之间更大，同一个模型换不同 harness，还会多出各自的浪费。标注靠 LLM 判官，不过后面的干预实验会检验它的判断。
提醒一句：这些都是 benchmark 环境，不是你的公司，真实的 Slack 每天都在变。但这和 Ramp 支出数据里买家已经在做的事对得上。如果 agent 的账单主要花在找东西上，整洁的工作区就是成本控制，而且这根杠杆归你自己，不管这个季度用的是谁家的模型。EnvOpt：https://arxiv.org/abs/2611.07372 浪费论文：https://arxiv.org/abs/2611.07238
评论