大型语言模型代理通常使用预定义配置部署，但不同任务对模型能力、上下文、工具、权限、记忆和计算资源的需求差异巨大。AgentBetta 提出一种自适应 AI 纳米代理框架，将这些因素抽象为可执行配置，并通过验证驱动的诊断、选择性扩展以及基于反事实的验证收缩进行动态更新。
在 AB-ConfigBench 基准上，AgentBetta 达到 91.38% 的验证成功率，同时将中位上下文字符数从 64,000 降至 8,000，将工具暴露数量从五个降至零，相比全配配置显著节约资源。配置缺陷诊断在所有维度上实现宏观 F1 为 0.819、精确率为 1.000，选择性扩展能够避免对无关配置维度的无效修改。成功后的收缩在 56.41% 的单维度收缩探测中保持验证结果，表明部分成功配置中存在可移除的能力。外部评估显示，自适应配置能够在验证任务完成率与能力暴露之间取得更好平衡，但不同基准和代理族的表现差异明显；跨族复制未能复现主干模型的准确率排序，特化系统在某些任务域仍具优势。
这些结果表明，AgentBetta 更像是一种调节能力分配和推理开销的配置适配机制，而非通用替代专用代理架构的方案。
点评：AgentBetta 展示了通过形式化验证实现配置自适应的可行路径，为资源受限环境下的 LLM 代理提供了新的设计思路。