摘要
这篇综述不再只问 GUI 智能体“能否完成任务”，而是把一次完整执行的资源消耗拆成观察、上下文与记忆、动作、规划器与系统四个效率轴。它将 token、延迟、模型调用、动作步数、显存、算力与成本和成功率分开核算，并特别记录被 parser、retriever、verifier、回滚或多智能体编排转移的开销。（来源：原始论文记录（本地存档），§2、§7，pp.2-8）
核心内容
- 观察效率：DOM/AxTree 检索和剪枝、局部视觉分配及结构化解析可以显著减少输入，但局部放大、检测器和解析器可能增加轨迹步数或额外推理。论文用 RegionFocus 的 66.8% 平均轨迹开销说明“看得更少”不必然“跑得更快”。（来源：原始论文记录（本地存档），§3，pp.4-5；Table 2）
- 上下文与记忆效率：任务摘要、主动回看、差分历史和 KV cache 压缩分别处理语义历史与服务层表示。ST-Lite 报告 2.45 倍解码加速，但端到端仅 1.40 倍且 prefill 接近不变，揭示局部加速与整体加速之间的差距。（来源：原始论文记录（本地存档），§4，pp.5-6；Table 3）
- 动作效率：技能、shortcut、状态机、GUI/代码混合执行和候选剪枝可以减少重复规划；验证与回滚则让错误更早暴露并可恢复。高效不等于一味减少动作，而是减少无效动作和不可逆失败。（来源：原始论文记录（本地存档），§5，pp.6-7；Table 4）
- 规划器与系统效率：OSWorld-Human 的汇总显示智能体使用人类轨迹 2.7-4.3 倍的步骤，reflection 占任务延迟的 76%-96%；因此规划深度、反思频率、后端路由、隐私分层和编排都应进入端到端账本。（来源：原始论文记录（本地存档），§6，pp.7-8；Table 5）
- 综述的 Tables 2-5 不是 meta-analysis，而是同时记录“作者报告的效率信号”和“未报告或被转移的成本”的证据账本。跨论文数字来自不同平台、模型、任务与预算，不能直接排名。（来源：原始论文记录（本地存档），Appendix B-D，pp.13-17）
- 这篇论文没有提出新的可执行系统，也没有进行统一复现实验；它的主要价值是提供可复用 taxonomy、指标词表和成本核算清单。它不是严格 Agentic RL，也不构成 RSI。（综合：原始论文记录（本地存档））
相关页面
来源
- 原始文件：原始资料（本地存档）
- arXiv：https://arxiv.org/abs/2609.02309
- PDF：https://arxiv.org/pdf/2609.02309
- 定位信息：§2-7，pp.2-8；Appendix B-D，pp.13-17；Tables 2-5
待核实问题
- 接收状态（2026-09-04）：arXiv comments 称已被 EMNLP 2026 的 Grounding Language Models workshop 接收，正式 proceedings 记录尚未独立确认。
- 统一复现：综述汇总的效率数字均来自不同原论文，本知识库未在统一硬件、模型、任务和成功判定下复测。
- 完整成本：不少工作未单列 parser、retriever、verifier、回滚、多智能体编排或 wall-clock 开销。
- 配套材料：截至 2026-09-04，arXiv 页面未列出官方代码或数据仓库。