Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution
AI Agent 能否判断任务简单性？面向复杂度感知的推理与执行
🧭 Agent 复杂度感知执行优化
提出 E3 框架让 Agent 先估算任务难度，最小化执行，仅在验证失败时扩展，减少认知冗余
📌 工作参考价值
- 最小充分执行原则：在构建推荐系统的多步 Agent（如数据分析、代码调试）时，先尝试用最少步骤完成任务，失败后再逐步扩展上下文，可避免过度检索或调用，显著降低 token 消耗。
- 复杂度感知调度：为 Agent 增加任务难度估算模块，根据任务复杂程度动态分配上下文长度和工具调用次数，防止简单任务消耗过多资源，适合电商场景中大批量轻量查询的自动化处理。
- 冗余度监控：引入类似 ACRR（Agent 认知冗余比）的指标来度量 Agent 执行中的不必要操作，优化工作流设计，帮助我们识别并剪除重复的文件读取或无效推理环节。
- 适应性验证机制：E3 的「先执行、后验证、必要时扩展」策略可直接用于 Agent 驱动的搜索推荐调试、自动 A/B 测试分析等流程，在保证成功率的前提下大幅压缩执行成本。
动机：当前 LLM Agent 在多步任务中常采用“最大上下文优先”策略，重复读取无关文件，导致简单任务也耗用大量资源。缺乏对任务难度的预判和自适应执行规划，产生了大量认知冗余。
方法：将任务执行形式化为最小充分执行问题，定义 Agent 认知冗余比（ACRR）。提出 E3（Estimate, Execute, Expand）框架：先估算初始操作点，执行最小可行路径，然后验证；仅当验证失败时扩展上下文和步骤，循环直到成功。该框架不依赖特定模型，是对执行策略的控制。
结果：在包含 121 项确定性编辑任务的 MSE-Bench 基准上，E3 取得与最强基线相同的 100% 成功率，同时成本降低 85%，token 用量减少 91%，文件检查减少 92%，并比强自适应检索基线高出 16% 的成功率。在真实开源库的 gpt-4o 编辑测试中，E3 同样表现出最精简的执行策略和较高的任务成功率。