AgentSlimming：多智能体系统的"瘦身"之道，token成本降低78.9%

基于大型语言模型的多智能体系统（MAS）在复杂任务中表现出色，但智能体数量膨胀导致token消耗过高。AgentSlimming框架通过混合机制评估智能体重要性，移除冗余或替换为低成本智能体，在保持性能的同时将token成本降低78.9%，为多智能体系统效率优化提供实用方案。

多智能体系统'发胖'的根源包括：

1. 手动设计局限：依赖经验，易添加冗余'保险'智能体；
2. 自动化扩展副作用：缺乏修剪机制，智能体添加后难移除；
3. 冗余级联效应：不必要的智能体不仅自身消耗资源，还放大交互开销。

AgentSlimming借鉴神经网络压缩的剪枝和量化思想，核心为三层压缩机制：

1. 混合重要性评估：从结构（通信图位置）、功能（任务贡献）、交互（信息流动关键度）多维度评估智能体价值；
2. 双模式压缩：移除低重要性智能体，或替换高成本智能体为低成本替代方案；
3. 基线锚定接受规则：压缩后验证性能，若下降超阈值则回滚，确保安全瘦身。

实验结果显示：

• Token成本降低：平均78.9%，最高超90%；
• 性能保持：下降可忽略，部分任务性能提升；
• 性能提升原因：移除冗余减少信息噪声、简化协调决策、资源聚焦核心智能体。

AgentSlimming的应用价值：

• 开发者：降低实验成本、简化系统设计、保障性能；
• 企业用户：减少API费用、提升响应速度、易维护；
• 研究人员：理解智能体贡献、指导系统设计、开源协作。

当前局限：

1. 静态压缩：针对静态工作流，动态系统压缩待解决；
2. 任务依赖性：效果因任务而异；
3. 替代方案限制：依赖低成本智能体替代选项。 未来方向：动态压缩、自适应阈值、跨任务迁移、多目标优化。

AgentSlimming代码已开源至GitHub，意义包括：

• 可复现性：便于验证扩展实验；
• 社区贡献：支持新压缩策略开发；
• 生态建设：推动多智能体系统工具标准化。

AgentSlimming实现了多智能体系统的高效瘦身，核心启示：AI系统设计中'做减法'比'做加法'更难但更有价值。它为多智能体系统从臃肿到精简、昂贵到高效的转变提供了可行路径，是技术进步与设计哲学的升华。