Produkt31. juli 2026
Ny AI-metode halverer verktøykostnader uten å ofre oppgavesuksess
Av redaksjonen
En fersk forskningsrapport introduserer en metode som lar AI-agenter velge eksterne verktøy mer kostnadseffektivt, og dermed redusere bruken med 37 prosent uten å gå på kompromiss med resultatene.
Når tar i bruk eksterne tjenester som søkemotorer eller databaser, oppstår et kritisk valg: hvor mange verktøy skal de hente inn? For få kan gi ufullstendig informasjon, mens for mange øker kostnader, datalast og personvernrisiko. Dagens metoder rangerer verktøy etter relevans, men gir ikke svar på hvor mange som faktisk bør velges, spesielt når kostnadene varierer.
Forskere har nå utviklet CAM-DF (Cost-Aware Marginal Decision-Focused Stopping), en metode som tar høyde for disse varierende kostnadene. CAM-DF velger det optimale antallet verktøy basert på hva det koster å hente dem inn, og sammenligner dette med den potensielle gevinsten ved å hente inn flere. Metoden er en lettvektig «» som kan brukes med eksisterende verktøyrangeringer uten å måtte finjustere den underliggende store språkmodellen (LLM).
Tester på tvers av fem domener, inkludert detaljhandel, viser at CAM-DF oppnår den høyeste gevinsten blant tilgjengelige metoder. Den reduserer antall verktøy en AI-agent eksponeres for med 37 prosent, samtidig som oppgavesuksessen forblir sammenlignbar med full tilgang. Dette er spesielt viktig i scenarier med og høyt kostnadspress.