arXiv 于 2026 年 6 月 1 日发布了一篇题为《Toward a Modular Architecture for Embedded AI Agent Systems at the Edge》的新论文（编号 arXiv:2606.02862v1，cs.AI 主分类，并归入 cs.MA 多智能体系统分类），作者为 Marcus Rüb 等两位研究者，提交时间为当日 20:24:18 UTC，全文约 746 KB，并提供 PDF、实验性 HTML 和 TeX 源码等多种获取方式。
论文的出发点是一个现实矛盾：大语言模型的兴起让具备复杂推理与工具调用能力的智能体式 AI 成为可能，但要把这种自主性真正部署到普适计算环境中却并不容易。嵌入式微控制器在内存和能耗上有极其严格的限制，而现有框架大多默认拥有服务器级资源或持续在线的网络连接，这就为深度嵌入式系统留下了一片空白。作者因此提出一套面向嵌入式智能体系统（Embedded Agent Systems）的模块化参考架构，目标是在确定性的实时控制与智能体式智能之间架起桥梁。
在架构层面，论文引入了一种分层设计，把两类智能体解耦开来。一类是设备端智能体（On-Device Agents），它们运行高度压缩的神经网络和基于规则的逻辑，负责低延迟、隐私敏感的任务；另一类是被云端增强的智能体（Cloud-Augmented Agents），借助小型语言模型（SLM）承担更高层次的推理与规划工作。这种划分让资源受限的本地设备不必承担全部智能负载，同时把对时延和隐私最敏感的部分保留在设备侧。
论文的一项关键贡献是引入了一个贯穿各层的治理层（Governance Layer）。该层横跨整个分布式自主设备集群，负责可观测性、策略执行与安全保障，使大规模部署的智能体设备能够被监控、约束并在必要时被干预。作者强调，这一治理能力不是附加组件，而是与分层架构交织在一起的横向设计。
在研究方法上，论文有意区别于常见的实证评测路径，并未给出单纯的基准测试数字，而是系统分析了架构层面的设计原则，以及在资源受限环境中围绕延迟、能耗与可靠执行所做出的权衡。
需要说明的是，本文是一篇架构与设计导向的立场性论文，其价值在于提出参考框架和讨论取舍，而非提供可直接比较的性能数据；读者若要评估其在具体硬件平台上的可行性，仍需等待后续的实证工作。