AgentBetta：通过选择性扩展与验证式收缩实现 AI 微型智能体的验证驱动自适应配置

该研究提出 AgentBetta 自适应 AI Nano-Agent 框架，把模型能力、上下文、工具、权限、记忆和算力表示为可执行配置，通过验证驱动诊断、选择性扩展与反事实收缩进行更新。在 AB-ConfigBench 上取得 91.38% 验证成功率，中位上下文字符由 64,000 降至 8,000，工具暴露中位数由五个降至零；配置缺陷诊断 macro-F1 为 0.819，精度为 1.000。

此前智能体通常按预设配置部署，能力、上下文与工具暴露不随任务调整。该工作把配置本身变成可验证、可收缩的运行对象，并给出成功率与资源占用的同时变化，为按需分配能力而非固定满载提供可测量路径。

机制是把任务所需能力显式写成可执行配置，先用验证结果诊断配置不足，只对相关维度做选择性扩展，再通过验证式反事实收缩删去成功配置中可移除的能力，从而在保持任务完成的同时降低上下文与工具暴露。

对研发侧的直接含义是：智能体平台可把能力与工具授权做成可动态收缩的配置层，而非一次性全量开启；成功后可回缩上下文和工具以降低调用成本与权限面，但外部评测结果在不同 benchmark 与 agent 家族间不一致，跨家族复制未重现主骨干的精度排序，落地需按场景重新验证。

• 在智能体平台中实现验证驱动的配置收缩，任务成功后自动回收未使用的工具权限与上下文，降低单位任务成本与权限暴露面。
• 将配置缺陷诊断作为上线前检查项，对上下文长度、工具集、权限等维度逐项验证，避免默认全量配置。
• 针对不同模型骨干分别建立配置基线，不直接套用单一骨干上的精度排序结果，减少跨模型迁移误差。

• 后成功收缩在 56.41% 单维收缩探针中保持验证结果，其余探针失效的具体原因与维度分布未在证据中说明。
• 外部评测中自适应配置的效果在不同 benchmark 与 agent 家族间差异多大，证据只给出方向性描述。
• 跨家族复制未重现主骨干精度排序，该差异来自模型能力还是配置搜索过程尚不明确。
• AB-ConfigBench 之外的公开基准上是否仍能维持 91.38% 验证成功率与上下文压缩幅度，证据未覆盖。