AgentDecarbonizer: Carbon-Aware Execution for AI Agents
作者: Leyi Yan, Shuangning Li, Sihang Liu
分类: cs.LG
发布日期: 2026-08-20
💡 一句话要点
提出AgentDecarbonizer以解决AI代理的碳排放问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 碳排放优化 AI代理 环境可持续性 任务调度 智能系统
📋 核心要点
- 现有的AI代理在执行长时间任务时，频繁的模型调用导致显著的碳排放，缺乏有效的碳感知机制。
- 论文提出AgentDecarbonizer，通过估计任务持续时间和选择符合截止日期的执行计划，优化碳排放。
- 在WildClawBench的实验中，AgentDecarbonizer相比碳无关基线减少了高达57.9%的碳排放，显示出显著的优化效果。
📝 摘要（中文）
AI代理将大型语言模型从单一的提示-响应交互扩展到长时间运行的目标导向工作流，这些工作流涉及多次模型调用、工具调用和与外部环境的交互。尽管这些工作流能够处理软件修复、数据分析和实验管理等任务，但重复的模型调用可能导致显著的碳排放。本文通过WildClawBench对OpenClaw代理工作负载的碳排放进行了表征，发现排放量与令牌消耗、上下文缓存重用和电网的碳强度有关。研究表明，截止日期的灵活性为碳感知执行提供了机会：代理任务可以等待低碳强度的时段或转移到低碳电网。然而，这需要处理时间不确定性和空间转移中的缓存上下文重新计算。我们提出了AgentDecarbonizer，一个与OpenClaw并行运行的碳优化器，能够在考虑缓存重新计算开销的情况下，保守地估计任务持续时间并选择符合截止日期的执行计划。通过在WildClawBench上评估60个代理任务，AgentDecarbonizer相比于碳无关基线减少了高达57.9%的碳排放。
🔬 方法详解
问题定义：本文旨在解决AI代理在执行长时间工作流时的碳排放问题。现有方法未能考虑碳排放的影响，导致不必要的环境负担。
核心思路：AgentDecarbonizer通过分析任务的截止日期灵活性，选择在低碳强度时段执行任务，从而减少碳排放。该方法设计旨在在保证任务完成的同时，最大化环境效益。
技术框架：整体架构包括任务提示输入、任务持续时间估计、截止日期可行性检查和执行计划选择四个主要模块。每个模块协同工作，以实现碳优化目标。
关键创新：最重要的创新在于引入了碳感知执行策略，允许代理在不同的时间和电网中灵活调整任务执行，从而有效降低碳排放。这与传统的碳无关执行方法形成鲜明对比。
关键设计：在参数设置上，AgentDecarbonizer采用保守的任务持续时间估计，并在空间转移时考虑缓存重新计算的开销，以确保执行计划的可行性和效率。通过这些设计，系统能够在不同的电网条件下优化执行策略。
🖼️ 关键图片
📊 实验亮点
在WildClawBench的实验中，AgentDecarbonizer在60个代理任务的评估中，成功减少了高达57.9%的碳排放，相比于碳无关基线表现出显著的优化效果。此外，与选择碳最优电网的基线相比，减少幅度达到37.5%。
🎯 应用场景
该研究的潜在应用领域包括环境友好的AI系统开发、智能城市管理和可持续计算资源调度等。通过优化AI代理的碳排放，能够为实现更绿色的技术解决方案提供支持，推动可持续发展目标的实现。
📄 摘要（原文）
AI agents extend large language models from single prompt-response interactions to long-running, goaldirected workflows that issue many model calls, invoke tools, and interact with external environments. These workflows enable tasks such as software repair, data analysis, and experiment management, but their repeated model invocations can incur substantial carbon emissions. This paper characterizes the carbon emissions of OpenClaw agent workloads using WildClawBench, and shows that emissions depend on token consumption, context cache reuse, and the carbon intensity of the grid. Our characterization identifies deadline flexibility as an opportunity for carbon-aware execution: agent tasks can wait for lower-carbon-intensity periods or shift to lower-carbon grids. However, doing so requires handling uncertain execution time for temporal shifting and cached context recomputation during spatial shifting. We present AgentDecarbonizer, a carbon optimizer for AI agents that runs alongside OpenClaw. Given a task prompt and user-specified deadline, AgentDecarbonizer conservatively estimates task duration and selects deadline-feasible execution schedules, while accounting for cache recomputation overhead during spatial shifting. Evaluated on WildClawBench workloads with 60 agent tasks across four grids, AgentDecarbonizer reduces carbon emissions by up to 57.9 % compared with a carbon-agnostic baseline and by up to 37.5 % compared with a baseline that selects the carbon-optimal grid at task start time.