weiqiangt

SAGE 模型：LLM Agent 工具体系的四象限分类与演进趋势

撰写时间：2026 年 3 月 | 读者在引用本文结论时，请对照自身所处时间点，校准预测的时效性。

在大语言模型（LLM）驱动的 Agent 系统中，工具（Tool）与技能（Skill）的设计核心在于对冲 LLM 的架构缺陷与概率不确定性。将一个功能封装为 Tool 的判定标尺是：该任务 LLM 理论上能做，但大规模场景下极易出错、消耗极大算力（Token），或缺乏与外部真实世界的连接。

本文提出 SAGE 模型，将 Agent 的工具箱从通用软件工程与任务执行的视角划分为四个象限——Solve（求解）、Anchor（锚定）、Gate（门控）、Expert（专鉴），并对每个象限给出短期（1 年内）、中期（2–3 年）和长期（5 年以上）的演进预测。

SAGE 象限定位图

weiqiangt

Profiling performance

Using perf:

$ perf record -g binary
$ perf script | stackcollapse-perf.pl | rust-unmangle | flamegraph.pl > flame.svg

This requires you have flamegraph available in your path. The rust-unmangle script is optional but nice.

weiqiangt

|----------------------------------------------------------------------------------------|--------------------|
|                                    Object Header (64 bits)                             |        State       |
|-------------------------------------------------------|--------------------------------|--------------------|
|                  Mark Word (32 bits)                  |      Klass Word (32 bits)      |                    |
|-------------------------------------------------------|--------------------------------|--------------------|
| identity_hashcode:25 | age:4 | biased_lock:1 | lock:2 |      OOP to metadata object    |       Normal       |
|-------------------------------------------------------|--------------------------------|--------------------|
|  thread:23 | epoch:2 | age:4 | biased_lock:1 | lock:2 |      OOP to metadata object    |       Biased       |
|-------------------------------------------------------|--------------------------------|--------------------|
|               

weiqiangt

__global__ void MatrixMultiKernel(float *d_M, float *d_N, float *d_P, int width){
	__shared__ float M_d_s[TILE_WIDTH][TILE_WIDTH];
	__shared__ float N_d_s[TILE_WIDTH][TILE_WIDTH];

	int bx = blockIdx.x, by = blockIdx.y;
	int tx = threadIdx.x, ty = threadIdx.y;

	int Row = by*TILE_WIDTH + ty;
	int Col = bx*TILE_WIDTH + tx;