英伟达开源 SoL-Pi，Agent工作流每小时省13.5美元

在大规模多智能体（Agent）协作的场景中，任务常需要连续运行数天。长周期的代价显而易见：上下文历史记录日益膨胀，工具调用越来越复杂，每次触发大语言模型都要重复读取海量冗余数据，造成大量的 Token 浪费。

针对这一痛点，NVIDIA 开源了一套用于提升 AI 智能体运行效率的优化框架——SoL-Pi。该项目基于开源框架 Pi 改造，核心逻辑是让 AI 充当自身工作流的监工，找出并修复执行环节中的低效步骤。

实际评测表明，SoL-Pi 可使 Token 消耗最高减少 64%，API 调用成本降低 50% 至 54%，在典型开发场景中每小时能节省 8.75 到 13.5 美元。

从 152 个想法中淘汰筛选

让 AI 递归自我改进（RSI）虽然前景广阔，但若盲目尝试，超过 90% 的迭代都会失败，试错过程本身就会烧掉巨额预算。

NVIDIA 采用了自动化筛选策略：先由模型生成 152 个优化流程的设想，再放入自动化沙盒（即“自动研究循环”）中严苛筛选。在管理架构上，团队测试了三种模式：

1. 计划经济模式：由主模型定死每一步骤，缺乏自适应弹性，最早被淘汰；
2. 中心化主管模式：由超级主管 AI 现场编码、分发任务并动态调整，但主管模型自身代码库会快速膨胀失控；
3. 共享快闪模式：全系统仅维护极简工作模板，每个实验启动时复制一份副本并自由修改，实验结束后直接销毁临时调度逻辑。

借助“共享快闪模式”，团队跑完了 152 组实验，最终仅有 4 个高收益机制脱颖而出，构成了 SoL-Pi 的底层支柱。

四大核心优化机制

机制 1：动作融合

传统 Agent 修改完代码后，往往需要先决策“是否执行测试”，再触发终端指令，增加了一次多余的模型推理。SoL-Pi 将“修改代码 + 运行测试”合并为单一固定动作序列，直接砍掉了多余的决策步骤。

机制 2：在线上下文压缩

受限于 Transformer 机制，智能体的历史上下文会线性膨胀。系统将长任务切分为独立子模块，每完成一步便将历史压缩为结构化摘要，仅保留核心结论；日常仅查阅摘要，需要细节时再按需回溯原始记录。

机制 3：观察包（Observation Bundling）

工具调用经常会吐出数百行日志，塞入上下文窗口会持续挤占空间。SoL-Pi 将这些输出离线保存在本地，只在上下文中记录简短摘要和索引链接，模型需要深入分析时再精准拉取对应片段。

机制 4：证据保存型简化器

以往由高成本主模型全量通读并排查故障日志。优化后，系统先调用成本极低的小模型提取包含溯源锚点的诊断报告，主模型仅需审阅简报，必要时核对原文证据即可。

535 个测试环境实测验证

为了检验性能，NVIDIA 构建了包含 535 个可验证环境的基准：包括 495 个来自 GitHub 开源仓库的真实 Bug（还原历史状态且隐藏修复方案），以及 40 个开放式探索沙盒任务。

测试对比了原生 Agent 方案、开源底座 Pi 与 SoL-Pi：

• 对比开源底座 Pi：SoL-Pi 消耗的 Token 减少了 45% 至 49%，整体开发成本降低约三分之一；
• 对比模型原生代理方案：Token 消耗最高下降 64%，API 费用最多节省 54%。

NVIDIA 在论文中指出，追求效率本身就是一种自递归进化（Efficiency for efficiency）。降低运行成本所腾出的计算预算，能够反哺给更大规模的探索实验。目前该项目代码已在 SoL-Pi 官方页面 正式开源。