待验证50% 置信观点精确时间

近期研究指出，agentic工作负载中大量重复且范围狭窄的子任务由专门化的SLM处理可能比使用单一庞大的LLM更合适

1

来源数

50%

置信度

长期有效

时效性

2026/9/15

首次发现

来源

OrchSLM：小语言模型协同编排的机制探究

涉及实体

小语言模型concept 大语言模型concept

相关事实

已验证一个复杂的Agent任务可能需要数十次甚至上百次模型调用68% 相似待验证Agent架构范式的兴起与LLM工具调用能力的成熟密切相关68% 相似待验证Agent 任务往往需要维持数万乃至数十万 token 的上下文窗口，与普通代码补全的单次推理低延迟模式在资源消耗上存在数量级差异68% 相似待验证一次 Agentic 会话可能跨越数十个操作步骤，涉及多个文件和模块，显著放大了工作记录碎片化问题68% 相似待验证LLM-based Agent通过提示词工程可在数小时内完成原型化，相比需要数周GPU训练的强化学习Agent，智能体构建成本实现数量级下降65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/921755

API

curl https://kongchang.com/api/v1/knowledge/claims/921755

MCP

get_claim(id=921755)