近日，麻省理工学院与微软Azure研究团队联合推出Murakkab智能优化系统，旨在破解AI智能体工作流在云端部署时面临的算力冗余与高耗能难题。当前，多模型协同的智能体工作流已成为云计算核心业务，但传统开发需人工预设所有组件配置与硬件参数，极易导致资源超分配与成本飙升。Murakkab系统创新性地采用意图驱动架构，开发者仅需输入自然语言任务描述，平台即可自动匹配最优模型与工具组合，并动态规划串行与并行执行逻辑。在云端运行时，该系统可实时监测算力状态，依据用户设定的延迟或成本偏好，自适应调配硬件资源与部署策略。实测数据显示，在视频问答与代码生成任务中，Murakkab仅消耗约百分之三十五的传统计算资源，能耗降低约百分之七十三，综合成本缩减至百分之二十五以内，且核心任务精度仅微降百分之二。该方案有效消除了手工调优的局限，为大规模云基础设施提供了高能效、低成本的AI工作流优化新范式。相关成果已被操作系统顶级会议USENIX OSDI接收，并获得DARPA等机构资助。