论文解读：以CPU为中心优化Agentic AI系统性能
原帖
**理解、分析和优化Agentic AI：以CPU为中心的视角**
_Understanding, Analyzing, and Optimizing Agentic AI: A CPU-Centric Perspective_
> 这篇论文深入探讨了Agentic AI的系统性能瓶颈，特别关注被忽视的CPU角色。Agentic AI将传统的单体LLM推理转变为能够规划、调用工具、执行推理和自适应调整的自主问题解决器。由于任务多样性和对异构CPU-GPU系统的高度依赖，CPU在协调外部工具方面起着关键作用。研究团队首先在编译时表征了Agentic AI的执行特征，选择了代表性工作负载以捕获算法多样性。随后，他们在两种不同硬件系统上运行时分析了端到端延迟和吞吐量，以识别各自的架构瓶颈。基于这些瓶颈，论文提出了两种调度优化方法：1. CPU感知的重叠微批处理（COMB），用于同质工作负载；2. 混合Agentic调度（MAS），用于异构工作负载。实验结果表明，COMB在独立同质工作负载执行中可将P50延迟降低高达1.7倍，在开环负载下可将服务/总延迟降低高达3.9倍/1.8倍；MAS在异构开环负载下可将少数请求类型的P50/P90总延迟降低高达2.37倍/2.49倍。
**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：论文
- **发布时间**：2026-05-20 00:10（北京时间）
- **原文**：[打开原文](https://arxiv.org/abs/2511.00739)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
一篇来自Hacker News AI热帖的论文摘要指出，Agentic AI（能够规划、调用工具和自适应调整的自主问题解决器）的系统性能瓶颈常被忽视，特别是CPU在协调异构CPU-GPU系统外部工具时的关键作用。研究团队通过编译时表征和运行时分析，识别了架构瓶颈，并提出了两种CPU感知的调度优化方法：用于同质工作负载的CPU感知重叠微批处理（COMB）和用于异构工作负载的混合Agentic调度（MAS）。
答案说明
该论文聚焦于Agentic AI的系统性能优化，强调CPU在协调工具调用中的核心角色。它通过表征执行特征和分析延迟瓶颈，提出了COMB和MAS两种调度优化方法，据称能显著降低延迟。
这篇帖子回答的问题
- 论文中提出的两种Agentic AI调度优化方法是什么？
- 根据该论文，COMB和MAS方法分别能带来怎样的性能提升？
核心观点
- 论文认为Agentic AI的性能瓶颈被忽视，特别是CPU在协调异构系统中的关键作用。
- 该研究提出了CPU感知的重叠微批处理（COMB）和混合Agentic调度（MAS）两种优化方法，并报告了显著的延迟降低。
FAQ
- Q: 这篇论文的核心观点是什么？
- A: 论文的核心观点是Agentic AI的系统性能瓶颈常被忽视，特别是CPU在协调异构CPU-GPU系统中工具调用时的关键作用，并提出了CPU感知的调度优化方法来提升性能。
关键实体
- Agentic AI
- CPU感知的重叠微批处理（COMB）
- 混合Agentic调度（MAS）