UC Berkeley、UChicago、Bespoke Labs发布EnvOpt 研究

当 Agent 太贵时，先别急着换模型。 可能先整理一下它的「工作环境」，效果就已经很大。

UC Berkeley、UChicago 和 Bespoke Labs 这篇 EnvOpt，提出了 Agent 优化的第三条路： 模型参数之外有 Harness，Harness 之外还有 Environment。

这里的 Environment，可以理解成 Agent 每天面对的那些东西：Slack、文档、数据库、代码仓库、工单，以及访问它们的工具。

EnvOpt 会让一个 Research Agent 观察目标 Agent 的执行轨迹，然后直接改造这些环境： 比如给上千个 SQL 文件建索引，把杂乱的数据整理成 SQLite，做一份工具 cheatsheet，或者提前给代码文件做优先级排序。

模型和 Harness 都不动。 只是让信息变得更容易找、更容易用。

结果在 5 个 benchmark 上，Agent 成本平均降低 48%，成功率还基本保持或提升。 AutomationBench 上更明显：Claude Haiku 4.5 的成本降低 72.7%，通过率还提升了 14.3 个百分点。 而且优化后的环境还能迁移到更强的模型和不同 Harness 上。

所以很多 Agent 的低效，可能来自它每天面对的信息组织得太差了。 模型能力决定它会不会做，Harness 决定它怎么做，Environment 则决定它要先绕多少路，才能找到真正需要的信息。

对于以后 Agent Engineering ，「整理环境」可能会变成和 Prompt、Memory、Harness 一样重要的一层。

📎 arxiv: