大模型智能体如何突破规模化应用瓶颈，核心在于Agentic ROI

正文

请到「今天看啥」查看全文

• Information Quality：指智能体所生成的信息质量，包括准确性、完整性等。
• Quality Threshold：指最低可接受的信息质量阈值（注：根据上下文推断）。
• Human Time和 Agent Time ：分别指人类与智能体完成对应任务所需的时间。
• Interaction Time：指用户与智能体交互所需要的时间，如用户进行任务描述、验证结果过程中所消耗的时间。
• Expense：指用户经济成本，如模型调用、API 使用的开销。

只有当 信息质量超过一定阈值，且智能体所节省的时间和成本之比足够高 时，智能体才真正具备可用性。

如上图所示，当前大部分 LLM 智能体集中应用于人类任务时间成本高的信息密集型场景（如科研、编程），此类任务本身就需要大量人力投入，因此即便智能体部分替代也能显著提高效率。然而，在用户量庞大的日常场景中（如电商、搜索、助理等），任务本身较为简单，交互成本低（如点击、下滑操作），智能体提升的边际价值不明显，反而可能引入额外的交互成本和延迟，从而导致 Agentic ROI 较低。

因此，当前高用户需求与低 Agentic ROI 之间的矛盾，反映了智能体在日常应用中的实用性不足，需进一步优化信息价值、智能体任务完成时间、及交互时间以填补市场空白。

优化 Agentic ROI 智能体发展的「之字形」轨迹

研究团队提出，LLM 智能体的发展路径并非线性增长，而是呈现出一种「 先规模化、后轻量化 」的「之字形」发展模式：首先规模化（scaling up）参数规模、训练数据、推理能力以提升信息质量；之后在保证信息质量的前提下，轻量化（scaling down）进行模型压缩、蒸馏、推理优化以减少智能体所用时间与调用成本。我们正处于智能体规模化发展的高峰阶段，优先提升信息质量。

请到「今天看啥」查看全文