大型语言模型（ LLM ）可以解决许多狭窄的任务，但单独查询数百万个相关实例可能会非常昂贵。LLM代理是否可以为此类工作负载自主创建更便宜的解决方案？我们将这种能力称为“装瓶” ：将一般能力转化为任务特定解决方案的能力，以平衡答案质量和摊销成本。我们推出瓶装，

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2610.08775v1)获取最准确的信息。

---
🔗 **原文链接**: [Agent in a Bottle: Can LLM Agents Turn Their Capabilities In](https://arxiv.org/abs/2610.08775v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Ankit Sonthalia, Haritz Puerto, Alexander Rubinstein, Martin Gubri, Seong Joon Oh

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
Agent是2026年最卷的方向，没有之一。这篇文章的实操经验够硬。
建议收藏，做Agent开发的时候拿出来翻翻。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-07 13:02