💻 EnvOpt: оптимизация окружения LLM-агентов
Bespoke Labs, University of Chicago и UC Berkeley Sky Computing Lab выпустили фреймворк, который автоматически улучшает «стационарное окружение» агента — файлы, данные и инструменты. Параметры модели и harness не трогаются, а на пяти бенчмарках средняя экономия на невидимых тестах — 48% при сохранении pass rate.
🌍 Окружение становится третьей целью оптимизации наряду с моделью и harness: агент заранее получает индексы файлов, карты таблиц SQLite и подсказки по API вместо поиска с нуля. Эффект переносится между моделями и harness.
👤 Расходы на агентов можно срезать, изменив не модель, а подачу данных и инструментов: на AutomationBench оптимизация стоила $150 и сэкономила 77,5% расходов на запуски Claude Opus 4.8. Код частично открыт на GitHub (itea1001/EnvOpt), окружения — на Hugging Face.
Источник 1: https://bespokelabs.ai/blog/envopt Источник 2: https://arxiv.org/abs/2611.07372
