LLM 代理的成本与成功受模型、调度框架以及所处环境的共同影响。除了已有的参数调优和框架优化之外，本文提出第三条路径：对静态环境进行优化。静态环境指的是多个任务共享的、结构相对固定的工作空间，例如企业的 Slack 频道、文档库或工单系统。我们设计了 EnvOpt，一种能够在给定模型和框架下，利用真实或合成任务自动端到端优化静态环境的方法，无需评卷器或参考答案。实验在 AutomationBench 上显示，EnvOpt 将 Claude Haiku 4.5 的运行成本降低 72.7%，通过率提升 14.34%。同一环境迁移到 Opus 5 时，成本下降 68.1%，通过率提升 1.34%。在 Meta‑Harness 为 Haiku 4.5 优化的基础上再加入 EnvOpt，可进一步降低成本 83.4%，准确率提升 11.17%。在五个基准测试中，EnvOpt 均显著降低成本并保持或提升通过率，且可跨模型、跨框架迁移。我们还总结了自动化优化过程中常见的成功与被拒策略。整体结果表明，信息呈现方式对代理的成本与成功有决定性影响，环境本身值得像参数和框架一样进行系统化优化。
点评：EnvOpt 展示了通过重构信息载体来提升大模型代理效率的全新视角，为实际部署提供了可复制的成本‑效能提升路径。