Agentes Eficientes: Construcción de Agentes Efectivos con Reducción de Costos

Efficient Agents: Building Effective Agents While Reducing Cost

July 24, 2025

Autores: Ningning Wang, Xavier Hu, Pai Liu, He Zhu, Yue Hou, Heyuan Huang, Shengyu Zhang, Jian Yang, Jiaheng Liu, Ge Zhang, Changwang Zhang, Jun Wang, Yuchen Eleanor Jiang, Wangchunshu Zhou

cs.AI

Resumen

Las capacidades notables de los agentes impulsados por modelos de lenguaje de gran escala (LLM, por sus siglas en inglés) han permitido el desarrollo de sistemas sofisticados para abordar tareas complejas y de múltiples pasos, pero sus costos crecientes amenazan la escalabilidad y la accesibilidad. Este trabajo presenta el primer estudio sistemático del equilibrio entre eficiencia y efectividad en los sistemas de agentes modernos, abordando la necesidad crítica de diseños rentables sin sacrificar el rendimiento. Investigamos tres preguntas clave: (1) ¿Cuánta complejidad requieren inherentemente las tareas agentivas? (2) ¿Cuándo los módulos adicionales generan rendimientos decrecientes? (3) ¿Cuánta eficiencia se puede obtener mediante el diseño de marcos de agentes eficientes? A través de un análisis empírico en el benchmark GAIA, evaluamos el impacto de la selección del modelo base LLM, los diseños de los marcos de agentes y las estrategias de escalado en tiempo de prueba. Utilizando la métrica de costo por paso, cuantificamos el equilibrio entre eficiencia y rendimiento en estas dimensiones. Nuestros hallazgos informan el desarrollo de **Agentes Eficientes**, un marco de agentes novedoso que tiene una complejidad óptima para los requisitos de la tarea. Agentes Eficientes retiene el 96.7% del rendimiento de OWL, uno de los marcos de agentes de código abierto líderes, mientras reduce los costos operativos de 0.398 a 0.228, lo que resulta en una mejora del 28.4% en el costo por paso. Nuestro trabajo proporciona ideas prácticas para diseñar sistemas de agentes eficientes y de alto rendimiento, avanzando en la accesibilidad y sostenibilidad de las soluciones impulsadas por IA.

English

The remarkable capabilities of Large Language Model (LLM)-driven agents have enabled sophisticated systems to tackle complex, multi-step tasks, but their escalating costs threaten scalability and accessibility. This work presents the first systematic study of the efficiency-effectiveness trade-off in modern agent systems, addressing the critical need for cost-effective designs without sacrificing performance. We investigate three key questions: (1) How much complexity do agentic tasks inherently require? (2) When do additional modules yield diminishing returns? (3) How much efficiency can be gained through the design of efficient agent frameworks? Through an empirical analysis on the GAIA benchmark, we evaluate the impact of LLM backbone selection, agent framework designs, and test-time scaling strategies. Using the cost-of-pass metric, we quantify the efficiency-performance trade-off across these dimensions. Our findings inform the development of Efficient Agents , a novel agent framework that has an optimal complexity to task requirements. Efficient Agents retains 96.7% of the performance of OWL, one leading open-source agent framework, while reducing operational costs from 0.398 to 0.228, resulting in a 28.4% improvement in cost-of-pass. Our work provides actionable insights for designing efficient, high-performing agent systems, advancing the accessibility and sustainability of AI-driven solutions.