论文思路太牛逼：AI推理的时候，怎么花更少的token得到更好的结果 现在的AI Agent推理简直把算力当不要钱的——重复调工具、走死胡同、token哗哗浪费。你让它做个多步搜索，它能绕八百个弯 这篇论文的方法叫BAVT，核心思路很简单：把推理建模成搜索树，每一步都估算值不值得继续。预算越少就越从"广泛探索"切换到"贪心利用" 严格低预算下，这个方法居然跑赢了用4倍资源的暴力采样 翻译成人话就是：聪明地花1块钱，比傻傻地花4块钱效果还好 这个思路对所有在跑Agent的人都有用——智能预算管理从根本上优于暴力堆算力 我在想怎么把这个思路用到OpenClaw上 比如宏观分析那个Agent，经常是多步web_search+API调用，token消耗很大。如果每一步都做一次"值不值得继续搜"的判断，应该能省不少