Substrate-Aware AI Agents: Execution Context as a First-Class Input

论文解决了什么问题

当前自主 AI Agent 在规划动作时，通常假设执行环境是无限资源的抽象空间，忽略了内存容量、执行时间上限、运行时依赖、算力配额和运维约束等底层条件。这种执行上下文的缺失导致 Agent 生成的计划在理论上合理，但在真实部署环境中频繁失败或超时。本文要回答的核心问题是：如何让 Agent 在规划阶段就感知并适应这些底层执行约束？

核心方法

作者提出 substrate-aware agent 的设计范式，将 execution context 作为一等输入注入规划流程。具体而言，Agent 在选择动作之前，先查询当前环境的内存状态、执行时间预算、运行时依赖、可用算力和操作约束，并将这些信息编码为规划 prompt 或状态向量的一部分。论文通过概念框架和多个部署场景案例，展示 Agent 如何根据资源状态动态调整计划粒度和动作选择。

实验结论

• 将 execution context 作为规划输入可减少 Agent 在资源受限场景下的无效动作选择
• substrate-aware agent 在内存和算力受限环境中表现出更低的运行时失败率
• 该设计范式在边缘设备和受限 API 调用场景中尤为适用
• substrate-aware 设计可减少 Agent 在资源受限环境中的无效规划与运行时失败
• 论文尚未提供跨 benchmark 的系统性定量对比，适用边界仍需进一步验证

局限性与证据边界

适合谁阅读