**题目：**Aerial Agentic AI: Synergizing LLM and SLM for Low-Altitude Wireless Networks
作者： Li Dong， Feibo Jiang， Kezhi Wang， Cunhua Pan， Dong In Kim， Ekram Hossain
来源： L. Dong, F. Jiang, K. Wang, C. Pan, D. I. Kim and E. Hossain, "Aerial Agentic AI: Synergizing LLM and SLM for Low-Altitude Wireless Networks," in IEEE Communications Magazine, doi: 10.1109/MCOM.001.2600178.
论文地址：https://arxiv.org/abs/2603.22866
摘要：低空无线网络（LAWNs）由无人机（UAVs）与移动终端构成，正逐渐成为 6G 的关键延伸形态。然而，将大语言模型（LLMs）应用于低空无线网络仍面临三大核心挑战：1）计算与能耗资源受限；2）通信与带宽能力受限；3）实时性需求与可靠性要求之间存在冲突。为应对上述挑战，本文提出了一种空中智能体人工智能框架（Aerial Agentic AI）。该框架采用分层架构，在无人机侧部署具备"快思考"能力的小语言模型（ SLMs），在基站（Base Station, BS）侧部署具备"慢思考"能力的大语言模型。首先，本文设计了基于 SLM 的智能体，使其能够在无人机平台上实现机载感知、短期记忆增强以及实时决策。其次，本文构建了基于 LLM 的智能体系统，该系统依托基站侧的长期记忆、全局知识以及工具编排能力，执行深度推理、知识更新与策略优化。最后，本文建立了一种高效的分层协同机制，使无人机能够在本地执行高频任务，仅在必要时与基站进行同步。实验结果验证了所提出的Aerial Agentic AI的有效性。
1. 引言
随着低空经济的快速发展，由无人机（UAVs）、空中基站（BSs）和移动终端构成的低空无线网络（LAWNs）正逐渐成为 6G 的重要延伸形态 。在巡检、监测以及应急响应等任务过程中，无人机持续采集并生成海量多模态感知数据，包括航空图像与视频、雷达与惯性导航信息、环境与目标感知数据，以及网络状态信息 。
在这类高度动态且充满不确定性的低空场景中，以判别式推理为主导的传统边缘智能方法，难以同时满足实时环境建模、语义通信以及智能决策等复杂需求。为克服上述局限，生成式边缘智能（Generative Edge Intelligence）逐渐成为一种具有广阔前景的新范式。所谓生成式边缘智能，是指将生成模型部署于网络边缘，使其能够在靠近数据源与终端设备的位置，实现智能内容生成、决策制定以及交互功能 。
大语言模型（LLMs）是一类在大规模语料上预训练得到的基础生成模型，其参数规模通常达到数十亿至数千亿级。近年来，LLMs 依托其强大的语义理解与推理能力，为智能通信提供了新的技术支撑。然而，将此类 LLMs 直接迁移至 LAWNs 仍面临一系列基础性挑战：
1）计算与能量约束： LLMs 通常包含数十亿甚至上千亿参数，其推理与生成过程对计算资源和并行处理能力提出了极高要求。然而，在 LAWNs 中，空中节点同时受到计算能力与能源供给的严格限制，因而难以持续支撑此类高计算密集型的推理与生成任务 。这种计算需求与能源可用性之间的不匹配，构成了 LLMs 迁移至 LAWNs 的首要挑战。
2）通信与带宽受限： 生成任务通常需要传输长上下文信息和多模态数据，并频繁访问外部存储与知识库。然而，LAWNs 普遍存在带宽有限、连接不稳定以及链路拥塞等问题，这使得在生成过程中难以维持大规模数据的持续上下行传输 。这一限制将直接增加端到端时延并降低生成质量，严重情况下甚至可能导致服务中断或被迫进行性能降级。
3）实时性与可靠性冲突：**** LAWNs 中的任务对"感知---决策---控制"闭环的时延与可执行性提出了严格要求。然而，LLMs 的生成过程通常具有较长的推理时延。此外，在快速变化的环境下，若缺乏有效的外部工具（函数）调用机制，可能导致错误的工具选择或不稳定的推理序列，从而引发输出波动、幻觉现象以及一致性下降等问题 。因此，生成结果的可靠性也难以得到充分保障
为应对上述挑战，本文面向LAWNs提出 Aerial Agentic AI。所谓 Agentic AI，是一种基于LLM的范式，其中智能体以目标驱动的闭环方式运行，并通过记忆与反馈机制实现持续改进。其核心思想是在UAV等空中边缘节点上部署基于SLM的智能体，使其具备自主感知、推理、决策与执行能力。通过利用"快思考"SLM的本地推理、短期记忆以及原生工具调用能力，所提出框架能够在空中侧维持机载推理闭环，并实现即时响应。当链路条件允许时，这些智能体还可进一步与部署在BS侧的"慢思考"LLM协同，以执行全局工具编排、深度推理以及长期记忆更新。借助这一机制，可在高度动态的低空通信环境中实现低时延、高可靠、并具备持续演进能力的智能服务供给。具体而言，所提出框架包括以下几个组成部分：
1）SLMs 与 LLMs 协同机制： 为应对 UAVs 严格的计算与能量约束，Aerial Agentic AI 采用分层推理范式。在 UAVs 侧部署 SLMs，以较低的计算开销完成高频感知理解与瞬时动作决策，从而在紧张的资源预算下维持稳定闭环。相较之下，LLMs 运行于 BSs 侧，承担"慢思考"角色，负责复杂推理、全局规划与策略优化。随后，经细化且结构化的策略将被传输至 UAVs 侧并同步执行。此外，本文进一步提出了一种面向空中任务的能力迁移方案，用于将地面侧 LLMs 中与任务相关的知识和技能迁移至机载 SLMs。
2）短期记忆与长期记忆协同机制： 为克服带宽受限与低空链路不稳定所带来的影响，Aerial Agentic AI 构建了双层记忆架构。在 UAVs 侧，仅保留与任务相关的短期上下文和情景经验，以支持在弱网络甚至断连条件下的持续决策；在 BSs 侧，则维护长期记忆与全局知识，以实现跨任务经验积累和知识的持续更新。随后，通过低开销的摘要或索引同步方式，将其中最关键的信息反馈至 UAVs。该机制使空地交互由"海量上下文回传"转变为"语义摘要与索引同步"，从而在降低通信开销的同时，保持记忆可用性，并支持经验的持续优化。
3）机载工具调用与离线工具编排机制： 为增强空中智能体在动态任务中的在线可执行性与资源可控性，Aerial Agentic AI 引入了分层工具框架。在 UAVs 侧，SLMs 主要面向机载原生接口与轻量级算子进行快速工具选择，例如相机与雷达、各类传感器、飞行控制 API，以及轻量化检测与跟踪算子，从而使"感知---决策---控制"闭环能够以确定性、低时延的方式完成。在 BSs 侧，高容量 LLMs 则对跨任务、跨 UAVs 的复杂工具链进行编排与调度，例如多 UAVs 路径规划、协同任务分配以及全局资源调度，并进一步向空中侧下发结构化、可执行的任务指令。该分层机制使系统在弱网络条件下仍能保持基础闭环能力，而在连接恢复后，则能够实现更强的任务协同与全局优化。
本文其余部分安排如下：第二节介绍 Aerial Agentic AI 及其应用场景；第三节综述 SLMs 的优势及关键优化技术；第四节详细阐述所提出的框架；第五节给出实验结果；第六节讨论开放问题；第七节对全文进行总结。
2. 特征与应用场景
2.1 特征
Aerial Agentic AI 提出了一种分工明确的空地协同智能体架构：UAVs 采用快思考系统（SLMs）执行快速决策与即时执行，BSs 运行慢思考系统（LLMs）负责全局规划、策略反思以及复杂工具编排。因此，Aerial Agentic AI 具备以下三个关键特征：
1）自主性： 空中侧优先强调面向任务的独立闭环运行能力。即使在链路退化或中断情况下，UAVs 仍可借助 SLMs、短期记忆以及机载工具维持基本的"感知---决策---控制"闭环。
2）协同性： 空地协同以及多 UAVs 协同通过低开销状态共享得以实现。空中侧负责传输关键语义信息与局部状态，地面侧则承担复杂推理、长期记忆更新以及全局优化。
3）一致性： 慢思考系统为快思考系统定义了严格约束的边界条件，从而确保 SLMs 的统计推断符合 LAWNs 所遵循的物理规律，并保证长期规划在物理可行性与逻辑自洽性上的一致。
2.2 应用场景
Aerial Agentic AI 可归纳为以下六类具有代表性的应用场景：
1）应急通信保障： 在灾害救援、网络中断恢复或网络拥塞等场景中，UAVs 可作为临时中继或空中 BSs，必须快速完成起飞、部署、覆盖规划以及链路重构。机载 Agentic AI 使 UAVs 能够实时感知覆盖盲区与链路退化情况，并自适应调整飞行高度、飞行轨迹以及回传策略，从而保障关键业务的持续可用性。
2）城市监测与数据回传： 在交通监测、安防巡检以及人群事件观察等任务中，UAVs 需要在带宽波动条件下持续传输具有可操作价值的信息流。Aerial Agentic AI 可在机载侧完成事件线索提取与关键证据筛选，例如关键帧、关键视频片段以及告警标签，并根据信道可用带宽自适应确定上行传输粒度，从而避免原始数据全量回传所导致的网络拥塞。
3）目标跟踪与重捕获： 在搜救行动以及车辆或人员跟踪任务中，UAVs 必须在高度动态变化和遮挡频发的条件下维持连续跟踪，并在目标丢失后迅速实现重捕获。Aerial Agentic AI 能够维持对目标运动模式的短期上下文感知，并在线生成微观层面的跟踪方案与搜索策略，例如扩展搜索扇区、调整飞行高度与速度，或切换传感器，从而提升任务连续性。
4）精细化巡检： 在电力线路、管道以及桥梁等巡检任务中，UAVs 需要将巡检目标转化为可执行动作，例如目标接近、精确对准、稳定悬停以及关键部件的补充成像，同时还需在遮挡、眩光或振动等条件下快速调整观测策略。Aerial Agentic AI 可在机载侧完成缺陷线索的初步筛查与证据组织，从而提高巡检效率并减轻回传压力。
5）三维环境重建： 在数字孪生与环境重建等应用中，UAVs 需要从多个视角与多个高度采集数据，同时保证覆盖完整性。Aerial Agentic AI 能够在线评估信息缺口与采样价值，动态调整采样轨迹与成像密度，并在链路条件较差时优先传输关键帧、关键片段以及结构化语义摘要，从而支撑地面侧的高效重建。
6）基于语音的指令与交互： 在现场指挥、应急协同以及运维作业场景中，语音交互提供了一种低门槛的人机交互方式，使操作人员能够通过自然语言下达起降、任务切换、区域指定以及状态查询等指令。Aerial Agentic AI 支持轻量化机载语音指令理解与意图解析，并可将相关指令映射为可执行的飞行控制、通信控制以及载荷控制动作。
****3.空中 SLMs
3.1 空中 SLMs 的优势
在 LAWNs 中，空中 SLMs 是指能够高效部署于空中节点资源受限智能单元（例如 UAVs）上的紧凑型语言模型，从而实现低时延、低能耗的端侧推理。尽管上下文工程能够提升输出质量，但仅依赖上下文层面的优化，仍不足以满足空中平台在机载资源预算和确定性实时性方面的严格要求；因此，SLMs 仍然是实现可控低时延推理的关键支撑技术 。空中 SLMs 主要具有以下几个特征：
1）高能力密度： 参数规模约为 7B 的 SLMs 已经展现出接近、甚至在某些任务上达到 70B 级 LLMs 性能水平的能力，尤其体现在代码生成、工具调用以及指令遵循等方面。这表明其在参数利用效率与能力密度方面具有显著优势。对于 UAVs 侧部署而言，这意味着系统能够以显著更低的计算开销获得具有实用价值的推理与生成能力，从而支撑机载自主决策与交互任务。
2）强适应性： SLMs 更易于在 UAVs 平台上实现本地部署，从而显著降低对云端资源和网络条件的依赖，更好地满足实时交互需求。此外，SLMs 适合通过轻量化微调快速完成面向特定任务或工作流的对齐与收敛，因此能够更快适应通常具有任务边界明确、环境变化迅速等特征的边缘场景，并实现面向具体应用场景的快速部署。
****3）低推理成本：****SLMs 对计算、存储与能耗资源的需求较低，从而降低了并发推理条件下的硬件要求与资源消耗。其更低的计算复杂度与功耗水平显著减少了整体推理成本，同时提升了单位成本下的服务能力。因此，SLMs 在 LAWNs 中部署时具有更优的经济性与可扩展性。
3.2 关键技术
空中 SLMs 的设计需要一套跨越多个维度的系统性技术体系，涵盖模型架构与推理机制等方面，如图 1 所示，将 LLMs 的能力重构为适用于闭环飞行任务的紧凑形式。其关键技术主要包括以下几个方面。
****1）知识蒸馏：****在 UAVs 侧，蒸馏的目标是将地面侧 LLMs 在特定空中任务上训练得到的决策能力迁移至 SLMs。这使得模型即使在参数规模显著缩减的情况下，仍能够保持面向任务可用的输出质量 。通过软标签蒸馏与任务特定蒸馏，SLMs 能够在有限计算资源条件下实现更高的能力密度，从而提升其可执行性与运行安全性。
2）模型量化： 通过将模型权重与激活值从浮点表示压缩为 INT8 或 INT4，量化能够显著减小模型规模并降低计算开销。该方法在原生支持低精度运算的空中平台上尤其有效，能够带来更稳定的能效收益。SLMs 通常采用面向精度感知的混合量化策略，即对关键层保持较高精度，而对其他层施加低比特量化，以降低任务误判风险 。
3）模型压缩：**** 结构化剪枝，例如按通道、按注意力头或按层剪枝，能够直接减少矩阵维度与存储访问开销，因此更适合在嵌入式 GPUs 或 NPUs 上实现高效执行 。低秩近似则通过将大矩阵分解为低秩乘积，减少乘加运算次数，从而在不严重损害表示能力的前提下降低推理成本。这些技术通常与蒸馏或量化结合使用，以补偿可能带来的性能损失。
4）KV 缓存优化： KV 缓存是 SLMs 在长上下文推理过程中内存压力的主要来源之一，并直接影响峰值内存占用、尾时延以及内存溢出风险 。通过采用 KV 缓存量化以减小占用、滑动窗口机制以限制上下文增长，以及基于重要性的 token 选择策略仅保留关键缓存条目，可以有效降低冗余。
5）算子融合： 算子融合（Operator Fusion, OF）通过合并相邻算子，减少中间张量读写以及内核启动开销 。在嵌入式 GPUs 或 NPUs 平台上，该方法能够显著提升吞吐率并降低能耗。对于 SLMs 而言，OF 对时延优化尤为重要，因为其能够减少频繁的存储搬移与调度抖动，从而使推理时延更具确定性，更好满足空中任务对严格时延的要求。
6）Flash Attention： Flash Attention（FA）通过分块计算注意力，并融合 softmax 与矩阵乘法等关键操作，提高端到端推理效率，从而显著减少中间注意力矩阵的存储访问与带宽消耗 。在 SLMs 典型的长上下文与实时解码场景中，该技术能够有效缓解注意力算子的存储瓶颈，降低推理时延及其波动，并提升注意力计算效率。
综上，SLMs 的优化技术呈现出多维度、多层次特征，既包括模型层面的优化方法，如蒸馏、量化与压缩，也包括推理层面的优化策略，如缓存管理、OF 与 FA。
图1 ：SLM 的关键优化技术
****4.Aerial Agentic AI 框架
Aerial Agentic AI 的设计目标是在计算、存储与通信资源受到严格约束的条件下，仍然保持空中智能体的自主性、适应性与实时响应能力。该总体框架遵循三个核心原则。第一，将地面侧LLMs的关键能力以可用能力单元的形式迁移至SLMs。第二，对工具调用、记忆、反思、知识管理以及推理与规划等核心组件进行轻量化、模块化实现，以满足空中节点对确定性时延与资源预算的严格要求。第三，利用空地协同实现能力互补与持续增强，形成一种系统范式：空中侧维持可用闭环，地面侧执行端到端的全局优化。
4.1 从 LLMs 到 SLMs 的能力迁移
从 LLMs 向 SLMs 进行能力迁移的过程如下所述，并如图 2 所示。
S1. 数据采集：在 UAVs 与 BSs 两侧，记录智能体在真实任务执行过程中的可复现行为轨迹，包括输入提示、输出响应、工具或接口调用序列（例如 Camera、Radar、Flight control 和 CSI），以及关键上下文摘要。这些数据将用于构建后续建模与训练所需的任务数据集。
S2. 数据整理：基于 S1 中采集得到的数据流，开展结构化组织与清洗工作，包括字段统一与时间对齐、异常样本或低质量样本剔除，以及工具调用日志规范化处理。与训练无关的敏感内容将被匿名化或删除。此外，还可进一步依据任务阶段、链路状态以及工具类型对数据进行标注。
S3. 任务聚类：对整理后的 Prompts、动作序列以及工具调用链执行无监督聚类，以识别高频且可模块化的 UAVs 任务模式。该步骤的关键目标在于，将通用智能体行为自动分解为一组可训练、可评估、可部署的空中子任务簇，从而为后续 SLMs 的专用化提供明确目标。
S4. SLM 选择：根据机载资源约束与确定性时延要求选择候选 SLMs，以确保其能够在有限计算与功耗预算内稳定运行，并在负载波动与链路扰动条件下保持可控时延。在 UAVs 侧，应优先选择更易于量化、且支持更快解码的模型族，以满足快速决策需求；在地面侧，则保留 LLMs 用于慢速推理、全局规划与复杂协同。
S5. 从 LLMs 到 SLMs 的蒸馏：在地面侧，LLMs 作为教师模型，为 S3 中识别出的典型任务簇生成高质量示范与对齐信号，包括更准确的推理路径、更有效的工具选择策略以及结构化输出。蒸馏的目标在于，使 SLMs 学习 LLMs 教师模型的决策分布与关键行为模式，从而在不扩大参数规模的前提下提升能力密度。
S6. 持续微调：在完成蒸馏之后，系统将在真实飞行过程中持续采集场景数据，包括不同高度与速度、链路质量、载荷条件以及突发事件下的上下文摘要、工具调用轨迹和任务反馈。这些数据将被组织为特定训练数据集。在此基础上，地面侧周期性地采用参数高效微调方法（例如 LoRA 或 QLoRA）对 SLMs 进行更新，使模型在环境变化与任务漂移条件下仍能保持稳健输出。
图2：从 LLMs 到 SLMs 的能力迁移
4.2 Aerial Agentic AI 架构
在 LAWNs 中，Aerial Agentic AI 最适合通过一种"空中侧快速闭环执行 + 地面侧慢速推理增强"的分层范式加以实现。Aerial Agentic AI 的具体结构如下，并如图 3 所示。
1）UAVs 侧组件栈
a）多模态感知： 感知模块（Perception Module）负责对多源传感输入进行预处理，例如 Cameras、Radar、IMU、GNSS 以及 CSI，从而形成用于决策的紧凑型多模态状态表示。该模块强调低时延与鲁棒性，以确保在机载计算资源有限且环境快速变化的条件下，仍能提供稳定的状态输入。
b）基于 SLMs 的决策： 机载推理以 SLMs 为核心，侧重于快速推理与可执行输出，例如轨迹调整、语义摘要生成以及目标识别与跟踪。其主要目标并非追求通用能力最大化，而是在严格时延预算下输出稳定且可控的决策结果。
c）短期记忆： UAVs 维护短期记忆，用于记录最近观测、当前意图以及局部约束，以保持任务连续性和短期决策一致性。该类记忆通常通过轻量级缓存实现，优先满足快速读写需求，并支撑本地闭环控制与即时交互。
d）机载工具执行： UAVs 调用可控且具有确定性的机载接口与轻量级算子，包括传感器采集、飞行控制 API、轻量化检测与跟踪算子以及本地图缓存。其核心目标在于确保接口兼容性、参数规范化以及调用顺序稳定，从而使决策能够被及时转化为可执行动作。
e）快速验证： 在严格约束条件下，UAVs 对最终控制指令执行快速自检，包括逻辑一致性验证、关键参数边界检查以及置信度筛查。若检测到异常或低置信度输出，则系统执行预定义回退动作，以维持安全闭环，同时向 BSs 发起协同请求。随后，地面侧基于 LLMs 与长期记忆开展进一步处理。
2）BSs 侧组件栈
a）全局信息聚合： BSs 负责接收并汇聚来自多个 UAVs 的语义摘要。该模块对相关信息执行时间对齐、冲突消解以及多源融合，以生成面向全局规划与协同调度的统一特征表示。它为后续基于 LLMs 的慢速推理、工具链编排以及深度反思提供稳定且可追踪的输入。
b）基于 LLMs 的推理： BSs 运行 LLMs，以执行跨时间尺度的全局规划与任务分解，包括全局轨迹规划、跨区域覆盖策略、资源分配策略等任务。其输出被组织为任务链与可执行指令，并利用全局状态信息对多 UAVs 协同策略施加一致性约束。
c）长期记忆与全局知识库： BSs 同时维护长期记忆与全局知识库。长期记忆侧重于经验积累，存储跨时间尺度的运行历史与策略结果，以支撑评估、反思与策略优化。全局知识库则维护通用先验，通过组织可复用的结构化知识，为规划、协同与工具编排提供稳定背景信息。二者共同构成 BSs 侧 LLMs 的知识基础。
d）全局工具编排： BSs 构建全局工具库，并在慢速推理驱动下执行面向跨任务、跨 UAVs 协同的工具编排。该工具库包括高计算量、资源密集型工具，例如代码生成与自动调试、网络级仿真、算法评估与参数调优以及高复杂度优化器。LLMs 从全局视角对任务---工具---资源分配进行联合推理，生成可由 UAVs 直接执行的动作序列。
e）反思与策略更新： BSs 对 UAVs 返回的关键反馈进行评估与反思，汇聚不同任务阶段和运行条件下的性能变化，以识别失效模式与策略偏差。在此基础上，系统进一步生成细化策略，例如阈值或参数更新、AI 权重调整以及短期记忆刷新，并将其编码为结构化、轻量化格式后回传至 UAVs 侧，以实现无缝更新。
图3：Aerial Agentic AI架构
5. 案例研究
5.1 实验设置
为验证 Aerial Agentic AI 架构在 LAWNs 中的有效性，本文构建了一个由 UAVs 空中节点与 BSs 地面节点组成的协同智能体网络仿真环境，并在城市监测与数据回传任务上对其进行评估。模型选择采用异构部署策略：在 UAVs 侧部署 TinyLlama-1.1B作为轻量化小语言模型（SLMs），以适应严格的机载计算与能耗约束；在 BSs 侧部署 LLaMA2-7B作为慢思考LLMs，负责复杂的全局推理与规划任务。SLMs 侧配置了轻量级路径规划算子，例如 A*、D* Lite 等；LLMs 侧则采用全局规划算法，例如 Genetic Algorithm、PointerNet 等。短期记忆采用 MemoryBuffer 实现，长期记忆/知识库采用 Milvus 实现。UAVs 硬件平台为 Jetson Orin NX 64GB，BSs 硬件平台由 Intel Xeon Gold CPU（2.6 GHz）与 2 块 NVIDIA A100 GPUs（每块显存 80 GB）构成。
首先，本文评估了不同优化技术对 SLMs 的影响，包括 Activation-aware Weight Quantization（AWQ）、Operator Fusion（OF）以及 Flash Attention（FA）。评估指标包括 Jetson Orin NX 平台上的推理能耗与解码速度。对比基线包括 TinyLlama + AWQ、TinyLlama + OF、TinyLlama + FA、LLaMA2-7B + AWQ，以及本文方法（TinyLlama + AWQ + OF + FA）。
图 4 的结果表明，即使采用 AWQ 量化，LLaMA2-7B 的推理能耗与解码时延仍然超出 Jetson Orin NX 的运行承载能力。相比之下，TinyLlama-1.1B 可以部署在 UAVs 平台上。在各类优化技术中，AWQ 能够显著降低推理能耗，Fusion 能够大幅提升解码速度，而本文所采用的组合方法则在能耗与时延之间实现了较好的平衡。这表明，在 UAVs 侧部署中，实现"高能力密度"与"低时延"之间的折中是可行的。
图 4：不同方法的能耗与解码速度
随后，本文进一步评估了 Aerial Agentic AI 的整体性能。仿真环境包含 4 架 UAVs 和 1 个 BSs，并以 UAVs 轨迹规划作为优化任务。对比策略包括局部 SLMs 决策（L-SLM），即 UAVs 仅依靠机载 TinyLlama 独立决策而不借助 BSs；全局 LLMs 决策（G-LLM），即将全部数据发送至 BSs 并由 LLaMA2 统一处理；以及协同 SLMs-LLMs 决策（SLM-LLM），即 UAVs 先利用 TinyLlama 进行本地决策，并周期性地与 BSs 侧的 LLaMA2 进行同步。评估指标包括决策时延与轨迹长度。
图 5 的结果表明，局部 SLMs 决策具有最短的时延，但在复杂轨迹规划任务中容易陷入局部最优；LLMs 全局决策能够获得最短的总轨迹长度，但同时带来了最高的时延。在 SLMs-LLMs 协同方案中，UAVs 在与 BSs 同步之前先独立执行 9 次 SLMs 决策；随后，系统在 BSs 侧更新长期记忆，并基于全局知识对 UAVs 侧的短期记忆和轨迹规划策略进行调整。即使在链路不稳定条件下，该方法仍能够同时保持较低时延与接近最优的路径质量。
图 5：不同协同模式下的轨迹长度与决策时延
6. 开放问题
1）协同理论缺口： 尽管在实践中，由 UAVs 执行快速本地闭环、由 BSs 承担慢速全局推理是合理的，但目前仍缺乏统一理论框架来判定何时边缘侧决策已经足够，何时又必须引入 BSs 侧增强。未来研究应将任务风险、链路条件、能量与计算预算以及安全约束纳入统一的理论建模框架，从而推导出具有可解释性的推理深度与自适应空地协同策略，推动协同机制由启发式规则走向具有理论支撑的解决方案。
2）记忆漂移风险****：**** 将 UAVs 短期记忆与 BSs 长期记忆结合使用，可能在弱链路或间歇性连接条件下导致 UAVs 侧知识陈旧与误差累积。未来研究应推动语义层面的空地通信机制发展，以实现快速的记忆同步与对齐，支持可信的知识切片更新，并加强隐私保护与抗投毒能力，从而使长期演化过程保持可控性与可靠性。
3）工具检索局限： UAVs 侧 SLMs 在上下文长度与理解能力方面受到限制，容易在工具调用过程中出现检索不完整、工具混淆或工具与任务不匹配等问题，进而降低决策准确性。未来工作应面向空中任务设计高效的工具选择机制：可通过轻量化索引与能力标签先执行粗粒度 Top-K 筛选，再在当前资源约束下仅暴露少量候选工具集合，从而提升工具使用的准确性与可靠性。
7. 结论
本文提出了一种面向 LAWNs 的 Aerial Agentic AI 框架，其核心在于采用 UAVs 侧快思考 SLMs 负责执行，采用 BSs 侧慢思考 LLMs 负责推理。通过分层协同，该框架实现了实时自主性与全局优化能力的统一：UAVs 利用轻量化模型、短期记忆以及原生 API 工具链完成快速感知、局部规划与闭环控制，而 BSs 则依托长期记忆与全局知识库执行深度反思、复杂推理、知识更新以及高计算量工具编排。本文工作为未来 LAWNs 实现自组织、自优化与自演化提供了技术基础。