英伟达近日开源了一套面向AI Agent工作流的效率优化工具SoL-Pi。该工具通过在Agent工作流中引入自动化优化机制，可使命中Token消耗最高减少64％，API调用成本下降50％至54％，在实际开发场景中每小时可为企业节省8.75至13.5美元。
SoL-Pi基于开源智能体底座Pi改造而来。其核心思路是让AI对Agent工作流进行自我审查与迭代优化，识别并修复工作流中存在的冗余环节。英伟达团队让AI批量提出了152个工作流优化方案，通过自动化流水线进行筛选验证，最终仅有4个机制被保留并构成SoL-Pi的核心骨架。
这4个核心机制分别为：动作融合、在线上下文压缩、观察包以及证据保存型简化器。动作融合将AI改代码与跑测试等固定连续操作合并，省去多余的推理决策开销；在线上下文压缩将大任务拆分为独立小任务，每完成一个即压缩历史记录，仅保留关键结论；观察包将工具输出的完整结果存储在本地，上下文中只保留摘要与索引；证据保存型简化器则调用成本更低的小模型将日志提炼为诊断报告，每个结论均可追溯至原文位置。
为验证优化效果，英伟达搭建了535个可验证环境，其中495个任务来自GitHub真实开源项目的Bug修复场景，另外40个为开放式探索任务。测试对比了原生框架驱动的GPT-5.6 Sol、Claude Opus 5、开源智能体底座Pi以及SoL-Pi四种方案。结果显示，对比Pi，SoL-Pi的Token消耗减少45％至49％，开发成本降低约三分之一；对比模型原生官方代理框架，Token消耗最高下降64％，API价格最多降低54％。
英伟达在论文中将这一思路概括为“Efficiency for efficiency”，即效率既是结果，也是下一轮研究的资源。团队认为，这四个机制挖掘的是AI工作流中普遍存在的共性问题，不因模型或任务的变化而消失。在AI自我优化（RSI）仍面临高失败率和高Token成本的阶段，先提升工作流效率、释放预算用于更多实验，可能比单纯追求模型能力提升更具现实意义。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
