内容介绍：
随着大语言模型驱动的 AI Agent 从简单对话逐步迈向软件开发、信息检索、供应链优化等复杂长程任务，其资源消耗问题日益突出。无论是 Token 使用、推理时间、API 调用成本，还是记忆计算开销，都已成为影响 Agent 实际部署与应用的重要约束。然而，现有研究和评测体系大多聚焦于任务完成效果，而较少关注智能体在执行过程中是否具备对资源消耗的感知、预测与管理能力。与此同时，长程任务和记忆增强机制的引入进一步加剧了成本与性能之间的矛盾：Agent 往往难以预估任务开销，容易出现资源浪费；固定记忆机制则可能在投入大量计算资源的同时损失关键信息。因此，如何让 Agent 理解成本来源、感知预算约束，并根据任务需求动态分配计算资源，正在成为构建高效、可控智能体的重要研究方向。本次分享将围绕 BAGEN 与 BudgetMem 等最新工作，探讨 Agent 的预算感知能力、成本行为分析以及动态资源分配机制，揭示智能体如何在性能与成本之间实现更加合理的权衡。
嘉宾：
白龙驹，密歇根大学安娜堡分校计算机科学与工程系一年级博士生，研究兴趣聚焦于智能体的效率、评估与训练，面向不可验证（non-verifiable）任务的强化学习与数据工程，以及人工智能与心理健康等方向。相关成果发表于 ACL、NAACL、EMNLP、AAAI 等会议。个人主页：https://longjubai.github.io/。
王子涵（Zihan Wang），美国西北大学（Northwestern University）博士研究生，研究方向为智能体强化学习（agentic reinforcement learning）。他同时是 O2 AI 的联合创始人，该公司面向电子与 AI 硬件供应链构建垂直多智能体系统。他的研究涵盖 agentic RL（RAGEN 系列、StarPO、Echo Trap）、MoE 效率与长上下文/多模态理解，其开源工作 RAGEN 是 DeepSeek-R1 式智能体强化学习训练的首个开源复现。GitHub 获 2.5K+ stars。他本科毕业于中国人民大学高瓴人工智能学院，曾在 DeepSeek、Microsoft 实习并担任 NVIDIA Student Researcher。个人主页： http://zenus.me/。
林宇翔（Yuxiang Lin），美国西北大学硕士研究生，研究兴趣涵盖智能体、强化学习与大模型系统。 他是 BAGEN（Budget-Aware Agent） 的提出者，该工作首次将智能体决策中的计算成本与现实资源成本纳入统一预算框架，并获 MMLS 2026 Spotlight Talk。此外，他参与开发的 RAGEN 开源项目在 GitHub 获得超过 2,500 Stars。 目前，他在 O2 AI 从事垂直领域多智能体系统研发，致力于利用 AI 重构电子元器件采购与供应链决策流程。
张昊臻，南洋理工大学计算机科学博士生，研究主要聚焦长程智能体系统中的记忆与经验驱动自演化，关注智能体如何持续积累、组织、利用并演化历史经验，以及如何通过自适应计算机制和结构化表示提升智能体的能力与效率。相关成果发表于 ICML、NeurIPS、ACL 等国际顶级会议，并曾在微软亚洲研究院、伊利诺伊大学厄巴纳-香槟分校及香港科技大学开展科研工作。个人主页：https://viktoraxelsen.github.io/。
主持人：
华文越，Rutgers博士毕业，UCSB博后，现在为微软研究院高级研究员，主要研究方向为llm reasoning和llm-based agent，在NLP和ML的顶会ACL EMNLP ICLR Neurips TACL等等发表多篇论文，并在ACL担任Area Chair。
