Ny metod optimerar AI-agentens miljö – sänker kostnaden med upp till 83%

arXiv cs.AI

Forskare bakom EnvOpt visar att det lönar sig att optimera själva miljön (exempelvis ett Slack-workspace eller en dokumentsamling) som en AI-agent arbetar i – inte bara modellen eller dess inställningar. På benchmark-testet AutomationBench minskade metoden kostnaden för Claude Haiku 4.5 med 72,7% samtidigt som träffsäkerheten ökade med 14,34 procentenheter. Det intressanta är att den optimerade miljön sedan fungerade även för andra modeller, vilket antyder att hur information presenteras för en agent är minst lika viktigt som vilken modell man väljer.