作者认为，小型语言模型（SLMs）在很多场景下比大型语言模型（LLMs）更适合用于构建“代理式人工智能系统”（Agentic AI Systems），因为它们：
能力足够：在许多实际任务中，小模型已经足以胜任，甚至能匹配更大模型的效果。
操作更高效：运行成本低、响应更快、更适合模块化系统。
更经济可持续：部署成本、能耗更低，更适合大规模应用和边缘设备部署。
1. 背景介绍
Agentic AI 是指能够自主执行任务的 AI 系统，比如智能客服、代码代理、办公自动化助手等。虽然目前主要依赖大型语言模型（如 GPT-4），但作者认为这不是最优方案。
2. 提出立场
作者定义 SLM 为“能在普通消费级设备上低延迟运行的模型”（通常参数量低于 10B），并提出立场：
小型语言模型在能力、适配性和成本方面，普遍优于 LLM，是 Agentic AI 的未来。
3. 论据支持
能力足够（如 Phi-2、Phi-3、NVIDIA Nemotron-H、DeepSeek 等 SLM 与 LLM 对比表现）；
更便宜（推理成本更低，易于边缘部署和快速微调）；
更灵活（适合定制化、多模型组合、快速响应业务需求）；
任务需求有限：多数代理任务需求单一、可预测，没必要动用复杂模型；
行为一致性要求高：SLM 更容易精准输出固定格式，更利于系统集成；
多模型组合自然：代理系统本身就可使用多个模型，SLM 用于基础任务，LLM 用于复杂推理更为合理。
4. 反对观点及回应
有人认为 LLM 具有更强的通用理解能力，但作者反驳说这种泛化能力在具体、重复的代理任务中用处不大；
有人认为 LLM 推理成本会因规模化而变低，作者指出最新的推理框架和边缘部署能力已使 SLM 更具优势；
市场惯性与投资方向暂时让 LLM 占主导，但这不是长期最优方案。
5. 现实障碍
当前基础设施投入更偏向 LLM；
评估标准仍偏向通用任务，而非代理任务；
市场对 SLM 的关注和认知不足。
6. 转换建议
文章最后提出了一个具体的“LLM → SLM 转换算法”，帮助开发者将现有使用 LLM 的代理系统迁移到 SLM，包括数据收集、任务聚类、模型选择、微调等步骤。
7. 案例研究
作者分析了三个开源代理系统（MetaGPT、Open Operator、Cradle），并估计它们有 40%–70% 的任务可用 SLM 替代 LLM，有效降低运行成本。
