标题：Agent太火！这篇综述帮你厘清优化方法

火遍学术圈的Agent，华东师大和东华大学的研究团队发表了一篇全面综述，首次系统梳理LLM智能体优化策略。论文将方法分为两大类：参数驱动优化和参数无关优化。

参数驱动优化包含监督微调、强化学习及混合策略，涉及轨迹数据构建、奖励函数设计等。参数无关优化则通过Prompt工程、工具调用、知识检索等方式优化行为。

研究团队整理了主流微调与评估数据集，回顾了LLM Agent在医疗、科学、金融、编程等领域的应用实例。同时，总结了当前面临的挑战与未来方向。

LLM智能体的优势在于灵活性与泛化能力，但长程规划、持续记忆与适应性仍需提升。研究填补了系统化综述的空白，构建统一框架，归纳方法路径。

参数驱动优化包括常规微调与强化学习。微调需高质量轨迹数据，涉及专家标注、强LLM生成、自主探索及多智能体协作等方式。强化学习通过奖励函数或偏好对齐优化模型。

参数无关优化通过Prompt调整、工具使用、知识检索和多Agent协作提升智能体性能，适配轻量部署场景。

文章还探讨了数据集与基准、应用实例及未来研究方向，包括数据偏差、算法效率、跨领域迁移与统一评估标准等。