在消费级设备上运行本地LLM Agent正面临严峻的能效挑战。来自Brave实验和伦敦帝国学院的研究团队发表的AgentStop论文指出，基于LLM的自主Agent在执行多步复杂任务（如编码、网页问答）时，会产生显著的GPU功耗上升、温度升高和电池消耗。 与单次推理相比，Agentic工作流因迭代推理、工具调用和失败重试导致Token消耗激增，往往在任务未完成时就浪费大量计算资源。AgentStop通过低成本的执行信号（如Token级对数概率）预测任务成功概率，提前终止成功率低的轨迹。实验表明，该方法可在网页问答和编码基准测试中减少15-20%的能耗浪费，同时将任务性能下降控制在5%以内。 这项研究为实现可持续、隐私保护的端侧LLM Agent提供了切实可行的优化路径。随着端侧AI落地加速，能效优化将成为消费级设备上部署Agent能力的关键瓶颈之一。