Третий путь оптимизации: среда важнее модели
Традиционно усилия по улучшению LLM-агентов сосредоточены на двух фронтах: тонкой настройке параметров самой модели и оптимизации «шасси» (harness) — логики вызовов и промптов. Авторы новой работы из arXiv (2026) предлагают третий, упущенный ранее вектор: оптимизацию самой среды (environment), в которой работает агент. Под «стационарной средой» понимаются общие ресурсы, такие как корпоративный Slack, базы данных или архивы документов, которые не меняются от задачи к задаче.
Как работает EnvOpt и какие результаты?
Метод EnvOpt автоматически оптимизирует представление информации в среде для конкретной модели и harness. Ключевое преимущество подхода — отсутствие необходимости в аннотаторах или эталонных ответах (graders). Оптимизация происходит на основе реальных или синтетических задач. Тестирование на бенчмарке AutomationBench показало впечатляющие цифры:
| Модель / Конфигурация | Снижение стоимости | Рост точности (Pass Rate) |
|---|---|---|
| Claude Haiku 4.5 (базовая) | 72.7% | +14.34% |
| Opus 5 (после переноса среды) | 68.1% | +1.34% |
| Haiku 4.5 + Meta-Harness + EnvOpt | 83.4% (дополнительно к Harness) | +11.17% (дополнительно к Harness) |
Результаты демонстрируют, что оптимизированная среда для одной модели (например, Haiku) успешно переносится на другие (Opus 5), сохраняя экономический эффект. Комбинация с оптимизированным Meta-Harness дает синергетический эффект, дополнительно снижая издержки и повышая надежность.
Почему это важно для индустрии
Работа доказывает, что то, как именно информация представлена агенту, критически влияет как на стоимость инференса, так и на успех выполнения задачи. Для компаний, использующих агентов в сложных корпоративных средах, EnvOpt предлагает путь к значительной экономии бюджета на LLM без необходимости перехода на более дорогие или «умные» модели. Оптимизация среды оказывается таким же мощным рычагом, как и выбор архитектуры модели.
Источник: arXiv cs.AI ↗