Agent 性能优化：延迟与记忆的前沿研究
2026 年 5 月 20 日，arXiv 发表多项关于 AI Agent 性能优化的研究论文。
Agent JIT 编译
论文: Agent JIT Compilation for Latency-Optimizing Web Agent Planning and Scheduling
- 核心思路: 将计算机使用 Agent（CUA）的规划和调度过程进行即时编译优化
- 应用场景: Agent 通过自然语言接收任务（如“从 Taco Bell 订最便宜的餐”），生成操作序列自动化完成
- 效果: 显著降低 Agent 的端到端延迟，提升实时交互体验
Mem-π 自适应记忆
论文: Mem-π: Adaptive Memory through Learning When and What to Generate
- 核心思路: LLM Agent 不再检索固定模板，而是按需生成有用的指导
- 创新点: 学习“何时”和“生成什么”记忆，而非简单的 RAG 检索
- 意义: 为 Agent 记忆系统提供了更灵活、更高效的新范式
DeepWeb-Bench 深研基准
论文: DeepWeb-Bench: A Deep Research Benchmark Demanding Massive Cross-Source Evidence
- 定位: 针对“深度研究”场景的新基准测试
- 要求: Agent 需要在开放网络中搜索、收集跨源证据，并通过扩展推理得出答案
- 意义: 填补了 Agent 长程研究能力的评估空白
来源: arXiv
链接: http://arxiv.org/list/cs.AI/recent