AgentRun 发布开源平台以优化智能体工作流并降低 Token 成本

AgentRun 已推出一个开源平台，旨在解决 AI 智能体重复执行相同任务导致的低效问题，这些问题往往会导致高昂的 Token 成本和冗余的规划。通过引入自我改进层和解耦的计算架构，该平台允许智能体从之前的运行中“学习”，并且仅在特定需要时利用昂贵的硬件。

解决重复问题

标准的智能体框架通常被构建为循环运行直到问题解决，这可能导致智能体在每次执行熟悉任务时都在“重新发现”相同的 API 或文档。AgentRun 通过允许智能体在运行后留下笔记、提示和成功的策略来解决这一问题。

随着时间的推移，该平台帮助智能体从基于循环的方法过渡到用工作流 DSL 编写的通用解决方案。这允许智能体在未来的运行中重用工作流，而不是每次都从头开始规划整个过程。

“这就像给爱因斯坦一堆文书工作：他会完成它们，但他每次都会仔细思考每一份表格。”

— Introducing AgentRun: Run smarter agents. Use fewer tokens.

“火车网络”计算模型

AgentRun 通过在廉价的 Node 运行器中运行智能体的逻辑，将智能体的“大脑”与其“双手”分离。该运行器可以同时管理数百个循环，并且仅在特定的工具调用需要时才连接到“计算机”——例如配备 GPU 的虚拟机或持久的 Android 手机。

这种架构就像一个火车网络，智能体为旅程的每一段选择合适的“火车”。例如，它可能会使用小型本地运行器来读取文件，但仅在模型微调时切换到“高铁”（高性能 GPU），从而显著降低多步骤操作的成本。

此视觉效果解释了解耦的计算架构，其中智能体为工作流的特定部分选择最有效的硬件。

工作流 vs. 智能体

该平台识别出许多任务实际上不需要完整的智能体循环。AgentRun 允许用户构建能够做出决策、分类数据或为特定步骤（如网络研究）运行较小子智能体的工作流。

通过使用基于网络的决策，这些工作流可以在仅为全功能智能体一小部分成本的情况下在网上核实事实。该平台包含一个可视化工具，让用户可以观察这些工作流逐节点运行、暂停它们并检查每一个决策点。

此截图展示了平台可视化复杂工作流并实时监控其进展的能力。

限制与集成

虽然 AgentRun 通过 Agent Client Protocol 支持各种框架，但当前文档中并未详细说明工作流 DSL 与 Temporal 或 Airflow 等其他引擎相比的具体性能提升。此外，虽然平台提供对比成本图表，但其“按需”计算机的准确定价仍取决于所选的特定硬件。

此图表支持了该平台的基于工作流的方法与标准智能体循环相比可大幅降低 Token 成本的说法。