LLM智能体优化方法全面梳理与分析

LLM智能体优化研究取得新进展 。华东师大和东华大学研究团队发表重要综述，首次从系统化视角深入剖析LLM智能体优化策略。

优化策略分类。现有方法分为参数驱动的优化与参数无关的优化。前者含监督微调、强化学习等混合策略，聚焦轨迹数据构建等关键模块；后者通过Prompt工程等优化Agent行为。

参数驱动的优化方向。基于常规微调的优化，涉及数据获取生成、评估过滤及低质量样本利用，微调方法有标准SFT等；基于强化学习的优化，包括基于奖励函数和偏好对齐的优化；还有混合参数微调方法，如顺序式两阶段训练、交替优化。

参数无关的优化策略 。包括基于经验、反馈、工具、RAG的优化以及多Agent协作优化，让LLM Agent在不改动模型时更出色。

数据集与基准 。分为用于评估和微调的类别，评估任务有通用评估和多任务评估基准，还有针对Agent微调的数据集。

应用与挑战 。LLM智能体逐渐走向实际应用，但面临数据偏差、算法效率、跨任务迁移、评估标准和多智能体优化等问题，未来研究方向明确。