评分 8.65 · 来源：arXiv · 发布于 2026-03-13
首次系统性提出 OS-inspired 资源管理框架，解决 Agent 系统的调度失败和上下文退化问题
要点
通过分析 OpenClaw、AutoGen、CrewAI、LangGraph、Codex、Claude Code 六大框架的 40,000+ GitHub issues，研究团队识别出两大核心问题：调度失败（blocking、僵尸进程、rate limit 级联）和上下文退化（内存无限增长、保留策略差）。
AgentRM 借鉴操作系统设计，将 Agent 资源类比为 OS 资源，采用 Multi-Level Feedback Queue (MLFQ) 调度器配合僵尸进程回收和 rate-limit-aware 准入控制，以及三层 Context Lifecycle Manager 实现自适应压缩和休眠机制。
评估结果显示：AgentRM-MLFQ 将 P95 延迟降低 86%，lane 浪费减少 96%，吞吐量提升 168%，僵尸 Agent 数量从 29 降至 0；AgentRM-CLM 实现 100% 关键信息保留和 95% 质量评分，相比现有方案的 65.1% 保留率和 87% 质量有显著提升，但压缩成本更高（34,330 vs 17,212 tokens）。
🤖 AI 点评
这是 Agent 系统工程化的重要一步——不再只关注模型能力，而是从系统层面解决资源管理问题。MLFQ 调度器和三层上下文管理的设计思路，为 Agent 框架的生产级部署提供了可参考的架构模式。