欢迎来到 llm-paper-daily! 这是一个获取 LLM、Agent 相关研究论文的每日更新和分类平台。
📚 每日更新: 仓库每天会带来最新的 LLM、Agent 相关研究，并附有 arXiv 地址、相关 GitHub 仓库和文章的总结。
查看更新文章 更新时间: 2026年10月28日 07:00
- FeatureArc: Benchmarking Coding Agents on Evolving Features
- Where Should the Evaluation Budget Go in LLM-Driven Agent Scaffold Evolution?
- AnalogScout: Simulation-Efficient PVT-Aware Analog Sizing with LLM Agents
- Clearing the FoG: Training KG Agents to Retrieve the Evidence Behind Their Answers
- LiveSearch: Questions as Executable Verifier Code for a Live Benchmark of Professional-Source Financial Search Agents
订阅
想订阅每日 LLM、Agent 论文更新时，不需要手动配置脚本。把下面这段话发送给本地的 OpenClaw、Codex 或 Claude Code，让 Agent 帮你完成配置：
请帮我配置 llm-paper-daily 的本地订阅。订阅仓库是 https://github.com/xianshang33/llm-paper-daily ，请阅读仓库根目录的 SUBSCRIBE.md，按文档创建本地配置、预览 digest、安装定时任务，并在完成后告诉我配置文件位置、运行时间、语言、每次推送数量和验证结果。
Agent 会使用仓库里的 paper-subscribe skill，只读取公开的 feed-papers.json，不会在你的机器上运行论文抓取或总结生产流程。
| Date | Paper | Links & Summary |
|---|---|---|
| 10-27 | FeatureArc: Benchmarking Coding Agents on Evolving Features 机构: Tencent, The Chinese University of Hong Kong FeatureArc 填补了编码智能体在演进式功能开发评估上的空白。通过构建具有强依赖性的多阶段任务和 L4 级自主评估环境，文章揭示了当前智能体在处理长期依赖和自我纠错方面的严重不足，特别是“继承缺陷”导致的成功率断崖式下跌。该研究为提升智能体在复杂、连续软件开发任务中的可靠性提供了重要的基准和洞察。 |
|
| 10-27 | Where Should the Evaluation Budget Go in LLM-Driven Agent Scaffold Evolution? 机构: The University of Hong Kong 本文深入研究了 LLM 驱动代理脚手架进化中的评估预算分配问题，指出搜索引导与最终选择对评估的不同需求。提出的 EvalAlloc 框架通过“稀疏搜索反馈 + 针对性最终确认”的策略，有效解决了成本与性能的权衡问题。实验证明，该方法能在大幅减少评估开销的同时，提升最终代理脚手架的性能，为自动化 Agent 优化提供了高效的评估范式。 |
|
| 10-27 | AnalogScout: Simulation-Efficient PVT-Aware Analog Sizing with LLM Agents 机构: Fudan University AnalogScout通过结合精英设计复用、解析式的gm/Id局部尺寸调整和全角点验证下的全局细化，有效解决了模拟电路尺寸调整中仿真成本高企的问题。该方法显著提高了仿真效率，在有限的仿真预算下实现了比传统优化算法和现有LLM方法更优的低功耗设计结果，为模拟设计自动化提供了一种高效的新范式。 |
|
| 10-27 | Clearing the FoG: Training KG Agents to Retrieve the Evidence Behind Their Answers 机构: Beijing University of Posts and Telecommunications 本文针对LLM在事实问答中“有答案无证据”的问题，提出了FoG框架。通过构造带有天然证据链的合成数据以及设计激励证据检索的过程奖励机制，FoG成功训练了小参数量的KG代理同时实现高精度答案生成和高覆盖率证据检索。该方法有效清除了推理过程中的“迷雾”，提升了KG增强型LLM的可信度和可解释性，并在多个基准测试中超越了更大规模的模型。 |
|
| 10-27 | LiveSearch: Questions as Executable Verifier Code for a Live Benchmark of Professional-Source Financial Search Agents 机构: StepFun, Tsinghua University, FinStep, Adelaide University, Shanghai Jiao Tong University, Zhejiang University LiveSearch 通过引入“问题即代码”的创新范式，成功构建了一个能够实时反映金融市场变化的动态基准测试。它不仅解决了传统金融基准中答案过时、构建成本高和脱离专业实践的问题，还通过自动化流程实现了可持续的评估体系。实验表明，现有模型在处理实时金融信息时仍面临巨大挑战，LiveSearch 为评估和提升金融智能体的实时检索与分析能力提供了重要工具。 |
|
| 10-26 | A Unified Arena for LLM Agents across Diverse Eurogame 机构: Alibaba Group, Nanjing University, National University of Singapore, University of North Carolina at Chapel Hill, The Hong Kong University of Science and Technology, Peking University 本文介绍了 DECE，一个用于评估 LLM 智能体的统一 Eurogame 竞技平台。通过大规模的多模型、多框架、多游戏实验，文章揭示了跨游戏性能的一致性模式、执行框架对结果的显著影响以及性能与资源效率之间的脱节。研究主张在评估 LLM 智能体时，应采用包含竞争性能和资源效率的综合指标，为未来智能体系统的开发和基准测试提供了重要参考。 |
|
| 10-26 | Free to Look, Free to Reason: Simple LLM Harnesses Outdiagnose Hand-Crafted Root Cause Analysis Agents 机构: Peking University, Beijing University of Posts and Telecommunications 本文通过构建统一的 RCAtlas 基准，证明了在微服务根因分析任务中，让模型自由观察和推理的“简单 Harness”优于复杂的手工编排智能体。研究表明，过度预设的调查流程会阻碍模型获取关键证据，而简单的方法不仅在准确率上领先，且在成本和时间的效率权衡上占据绝对优势。这提示未来的 RCA 系统设计应更侧重于增强模型的基础能力和数据访问自由度，而非复杂的流程控制。 |
|
| 10-26 | KAPPA: Checking the Proofs in Statistics Papers with Lean 4 and Language Model Agents 机构: Purdue University KAPPA 通过结合 LLM 的翻译能力与 Lean 4 的形式化验证能力，提供了一种高效、自动化的统计论文证明检查方案。它解决了传统形式化耗时过长和纯 LLM 验证不可靠的问题，能够准确发现证明中的错误并精确定位，同时确保了验证过程的透明性和可复现性，显著提升了统计理论研究的可靠性和可重复性。 |
|
| 10-26 | Agentic Algorithm Design: LLMs that Propose, Formalise, and Prove Runtime Bounds for Evolutionary Algorithms in Lean 机构: University of Birmingham 本文展示了首个能够在Lean中设计高效黑盒优化算法并提供机器检查运行时边界的自动化流水线。研究结果表明，Lean中的机器检查规范可以替代开放算法发现过程中的经验性评估。通过分阶段的设计和形式化验证，LLM代理能够克服单纯经验设计的局限性，实现兼具创新性和理论保证的算法自动设计，为理论计算机科学中的自动化算法设计开辟了新路。 |
|
| 10-26 | Autonomous Structural Discovery Of Bioprocess Dynamics And Kinetics Via LLM-Driven Agents 机构: Aalto University; Koc University 本文提出了一种创新的LLM驱动框架，解决了生物过程建模中结构未知和参数耦合的难题。通过结合LLM的逻辑推理能力、RAG的知识检索能力、MHE的参数估计能力以及主动实验设计的探索能力，实现了对复杂生物动力学结构的自主发现和高精度参数辨识，为构建高保真生物制造数字孪生提供了新的技术路径。 |
|
| 10-25 | SentryBench: A Cost-Sensitive Benchmark for Adversarial Robustness of Tool-Using LLM Agents in Public-Safety Deployments 机构: Maharishi International University, Daffodil International University, University of the Cumberlands SentryBench 填补了公共安全领域 LLM 代理安全评估的空白，指出了传统“拒绝即安全”假设在该高风险领域的失效。通过引入成本敏感的不对称危害评估框架，文章证明了简单的谨慎策略会导致灾难性的过度拒绝，而提出的目标信任门控方法能在不牺牲真实紧急情况响应的前提下有效抵御对抗性攻击。该研究强调了在关键任务部署中，必须联合优化攻击防御与可用性，并透明化平台级过滤器的影响。 |
|
| 10-25 | CTXAgent - Self-Controlled Context Management of LLM Agents 机构: Institute for Artificial Intelligence and Simulation in Mechanics, Hamburg University of Technology CTXAgent 证明了前沿 LLM 具备在无复杂脚手架情况下自主管理上下文的能力。通过让模型决定压缩时机和内容，该方法在保持任务成功率的同时显著降低了 token 成本，特别是对于 Claude Opus 5.5 等高级模型，成本降低可达 34%-49%。该研究发布了 Agent、基准测试及所有结果数据，为未来高效 Agent 系统设计提供了新方向。 |
|
| 10-25 | What Effort Level Should I Choose? On the Economics of Reasoning Effort in LLM Agents 机构: Johns Hopkins University, Together AI, Cornell University 本文揭示了LLM推理努力程度作为一种“信任品”的经济特性，指出盲目追求高计算量不仅成本高昂，还可能损害简单任务的性能。通过实证分析，作者证明了高努力程度会改变代理的行为模式（如过度验证）。最终，文章提出了一种基于验证失败的动态升级策略，为用户在不确定任务难度时提供了更具成本效益的推理配置方案。 |
|
| 10-25 | ParetoRSI-Gym: Can AI Agents Improve Language Models Across Multiple Domains? 机构: University of Illinois Urbana-Champaign ParetoRSI-Gym填补了递归自我改进系统在多领域真实场景下评估的空白。通过固定除数据外的所有变量，该框架有效地隔离并量化了智能体在数据策展方面的贡献。实验结果证明，先进的智能体系统能够显著提升多领域通用化性能，同时揭示了不同智能体策略的差异性。这项工作标志着向评估现实世界中复杂RSI系统迈出了重要一步，强调了在多目标优化背景下评估AI自我改进能力的重要性。 |
|
| 10-25 | From GPU to TPU with Coding Agents: What Works, What Fails, and What It Costs? 机构: North Carolina State University; Federal University of Ceará 本文通过实证研究指出，虽然编码智能体能辅助 GPU 到 TPU 的迁移，但存在较高的静默失败风险和显著的人工干预需求。迁移不仅涉及代码转换，更关乎数值行为的保持和成本效益的平衡。建议实践者采用独立的参考运行、在目标硬件配置下进行验证，并制定涵盖计算和人力成本的特定工作负载验收及停止标准，以确保迁移的可信度和经济性。 |
|
| 10-23 | Tool-Calling LLM Agents Under Realistic MCP Faults: Scale Does Not Purchase Fault Tolerance 机构: University of Luxembourg 本文揭示了当前 LLM 智能体在面对真实 MCP 工具故障时的脆弱性，并打破了“模型越大越容错”的迷思。通过引入基于真实数据校准的 MCP-Injector，作者证明了框架级的错误处理设计比模型规模更能决定智能体的鲁棒性。该研究呼吁社区在评估智能体时，除了关注能力基准，还应纳入协议感知的故障注入测试，以全面评估其在生产环境中的可靠性。 |
|
| 10-23 | ActionRAG: Evidence-Refining Graph Diffusion for Long-Term Memory in LLM Agents 机构: Actioneer, Mountain View, California, USA ActionRAG 通过引入图扩散过滤机制，有效解决了 LLM 智能体长期记忆中的索引错误和检索僵化问题。它不仅在多跳推理和冲突解决等复杂任务上显著优于现有的 RAG 和图检索方法，还保持了较低的计算成本和延迟，为构建具备强大长期记忆能力的 LLM 智能体提供了新的架构思路。 |
|
| 10-23 | Do "True" and "False" Add Up to One? Complement Consistency in LLM-Agent Opinion Simulations 机构: University of Electronic Science and Technology of China (UESTC) 本文指出，在将 LLM 模拟概率解读为信念之前，必须单独测试其在重述下的互补一致性。当前的小规模开源模型在处理互补主张时表现出严重的系统性偏差，这种局部不一致性会通过反馈机制放大，导致群体模拟轨迹失真。虽然简单的平均修复可以恢复数学一致性，但并不总能提高最终的预测准确性，强调了在复杂模拟中区分“措辞效应”与“信念更新”的重要性。 |
|
| 10-23 | Decoupling Patient Personas and Clinical Workflows: A Dual-Agent Approach to Realistic Medical Dialogue Generation 机构: Wuhan University of Science and Technology 本文提出了 CoRPS-Dial，一种解耦患者画像与临床工作流程的双智能体医疗对话生成框架。通过分离患者角色的多样性模拟与医生角色的流程规范引导，并结合高效的事后质量控制，该方法成功解决了现有方法在临床可靠性与数据多样性之间的权衡问题。实验证明其生成的数据在多个维度上更接近真实对话，并能有效增强下游医疗 AI 模型的性能，为低成本获取高质量医疗对话数据提供了新途径。 |
|
| 10-23 | When Agents Fail: Model or Harness--Who's to Blame? 机构: Shanghai Artificial Intelligence Laboratory 本文强调了将 LLM Agent 视为模型与执行层的联合系统进行评估的重要性。通过提出的五维评估框架，研究揭示了执行层排名的高度依赖性，以及任务成功与执行可靠性之间的复杂关系。结果表明，未来的方向应包括训练模型具备可迁移的执行层使用能力，以及设计适应特定模型和任务的执行层，而非仅仅优化模型本身或孤立地优化执行框架。 |
|
| 10-22 | EpiSEM-Bench: Evaluating Safety and Evidence Recovery in LLM Agents under Missing Evidence 机构: City University of Hong Kong 本文提出了 EpiSEM-Bench，首个专注于评估 LLM 智能体在证据缺失情况下认识论安全性的基准测试。通过解耦世界状态与可见证据，该基准揭示了当前模型在处理不完整信息时的脆弱性及证据恢复能力的不足，为提升智能体在真实复杂环境中的安全性提供了重要的评估工具和洞察。 |
|
| 10-22 | AgenticEvolve: Evolutionary Program Search with Persistent Language Model Agents that Design and Run Experiments 机构: University of Chinese Academy of Sciences AgenticEvolve 通过将持久化 LLM 智能体引入进化搜索循环，解决了传统方法中模型缺乏代码执行和分析能力的问题。通过在评估间隙自主设计实验，该方法显著提高了搜索效率和程序质量，在启发式设计和符号回归任务上均超越了当前最先进的基线方法，证明了自主实验在进化程序搜索中的关键价值。 |
|
| 10-22 | Beyond Accuracy: Disentangling Decomposition from Typed-State Quality Assurance in Multi-Agent LLM Pipelines 机构: Universidade Federal de Pernambuco (UFPE) 本文通过严谨的消融实验指出，在多智能体 LLM 流水线中，观察到的准确性提升主要归功于任务分解和专用提示词，而非智能体间的类型化契约。然而，类型化契约在软件质量保证方面具有独特价值，它能提供早期结构验证、防止静默失败并略微提升跨模型的一致性。研究呼吁社区在评估多智能体系统时，应超越单一的准确率指标，关注架构机制对系统可靠性和健壮性的实际贡献。 |
|
| 10-22 | AfterDeleteBench: Auditing Post-Deletion Information Persistence in LLM Agents 机构: The Ohio State University 本文揭示了LLM智能体在删除原始记忆记录后，信息仍可通过衍生状态（如摘要或分散组件）被恢复的风险。通过引入AfterDeleteBench基准，作者证明了仅删除源记录不足以实现真正的遗忘，特别是在存在非verbatim衍生状态时。研究强调了行为审计的重要性，并指出有效的隐私保护需要超越简单的存储删除，转向更全面的来源感知管理策略。 |
|
| 10-22 | AgentPhishing: A Benchmark of LLM Email Agents Under Adaptive Attack 机构: Carnegie Mellon University 本文指出了当前 LLM 邮件代理在面对自适应社会工程学攻击时的严重安全隐患。通过引入 AgentPhishing 基准和 PhishOpt 优化方法，研究证明了传统检测指标不足以衡量代理的真实安全性。结果显示，相当比例的先进代理容易被精心构造的 persuasive 攻击所欺骗并执行恶意操作，强调了未来需要建立包含行为响应评估在内的更全面的安全测试标准。 |
|
| 10-21 | What the Author Wrote, What the Agent Reads: Silent Cue Loss in Enterprise Document Ingestion 机构: Amazon 本文揭示了企业文档 ingestion 层中一个被忽视的关键问题：视觉格式（尤其是颜色和高亮）所承载的语义信息在转换过程中被静默丢失，导致智能体产生高风险的错误判断。研究证明，问题的根源在于 ingestion 而非推理阶段，且修复成本低廉、效果可测。对于智能体构建者而言，保留并显式传递这些视觉线索是提升系统可靠性的关键步骤。 |
|
| 10-21 | Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research 机构: Navers Lab, Einsia.AI Quant-Arena填补了LLM在端到端量化研究领域评估的空白，通过严格的样本外测试和真实的交易成本模拟，揭示了当前最前沿LLM代理在真实A股市场中尚无法稳定战胜市场基准的现状。该基准开放给任何模型或代理框架提交，为未来提升LLM在金融量化领域的实际应用能力提供了重要的评估标准和研究方向。 |
|
| 10-21 | Real PMIDs, Wrong Papers: Harness Design for Biomedical Claim-Verification Agents 本文通过严格的控制实验指出，在生物医学文献验证任务中，提升代理自主构建查询的能力比单纯增加模型参数知识更有效。研究揭示了当前科学助手面临的主要瓶颈在于检索环节，并警告仅依靠 PMID 存在性检查无法防止引用无关文献的幻觉问题，为未来科学代理的设计提供了实证依据和安全警示。 |
|
| 10-21 | HGM-Dual: Lineage-Aware Guided Agent Harness Optimization for Long-Horizon Planning 机构: Samsung Research America HGM-Dual 通过引入谱系感知的上下文记录和错误导向的双路生成机制，有效解决了现有递归自我改进方法在长程规划任务中面临的搜索效率低和针对性差的问题。该方法不仅提升了代理在复杂约束下的规划准确率，还大幅降低了优化过程中的计算和评估成本，为闭源 LLM 代理的高效优化提供了新的范式。 |
|
| 10-21 | Did the Problem Actually Get Harder? Testing LLMs on Paired P and NP-Complete Problems Hardened by Adversarial Multi-Agent Rewriting 机构: United International University, BRAC University, University of California, Riverside, University of Maryland, Baltimore County 本文指出了当前 LLM 在算法推理评估中的缺陷，即过度依赖标准表述的记忆。通过引入 AgentGAN 对抗性重写框架和 P2NPCBench 基准，作者证明了即使去除了表面线索，模型在 NPC 问题上的表现仍显著差于 P 问题，且这种差距主要源于代码生成的正确性而非计算资源限制。该研究强调了开发真正具备结构推理能力而非模式匹配能力的 LLM 的重要性。 |
|
| 10-20 | MAS-Guard: Unified Guardrails from Individual Agents to Multi-Agent LLM Systems 机构: Oracle AI MAS-Guard 填补了当前 LLM 代理安全领域的空白，提出了一种从个体代理到多智能体系统的统一防护方案。通过结合本地细粒度检查和系统级宏观控制，它有效解决了混合代理环境中的碎片化防御问题，显著降低了攻击成功率，为构建安全的代理式 AI 应用提供了可行的基础设施。 |
|
| 10-20 | Disclosure Begets Disclosure: A Self-Reinforcing Privacy Loop in LLM Agents with Persistent Memory 机构: MBZUAI, Third Intelligence, RIKEN AIP 本文揭示了LLM代理持久化记忆中存在的一个自我强化的隐私泄露循环：代理基于记忆的预设促使用户确认，进而固化敏感信息。研究表明，单纯依赖用户自我保护无效，最有效的缓解策略是在代理端抑制对属性的陈述和预设，从而在维持个性化服务优势的同时显著降低隐私风险。 |
|
| 10-20 | After the Attacker Leaves: Benchmarking Carryover Attacks on LLM Agents 机构: Institute of Automation, Chinese Academy of Sciences 本文指出了 LLM 智能体在跨会话状态持久化过程中面临的新型安全威胁——遗留攻击。通过提出 CarryoverBench 基准，作者系统性地评估了即时、自主和潜伏三种触发渠道下的攻击持续性。研究发现，当前主流模型在面对此类攻击时，一旦恶意负载植入成功，后续触发几乎无法阻挡，且攻击效果不会随时间衰减。这表明防御遗留攻击需要在运行时层面（Runtime-layer）引入额外的控制机制，而不仅仅依赖于提示词级别的防御。 |
|
| 10-20 | ClawMMU: Protection-Coherent Virtual Memory for Stateful LLM Agents 机构: University of Toronto, MPI-SWS, EPFL, Aarhus University ClawMMU 通过将操作系统中的内存管理单元（MMU）保护理念引入 LLM Agent 架构，解决了因缺乏数据来源追踪而导致的安全漏洞。它通过为内存数据附加不可篡改的权限标签，并在系统层面强制执行访问控制策略，成功将复杂的语义攻击转化为可拦截的系统级保护错误。这种方法不依赖模型的内容识别能力，为有状态 Agent 的长期记忆安全提供了强有力的保障。 |
|
| 10-20 | Rewards for Budget-Aware Multi-Turn Agents That Adapt to Arbitrary Test-Time Constraints 机构: University of Oxford, Apple 本文证明了多轮LLM智能体可以通过精心设计的奖励函数（特别是针对超支行为的惩罚）内化预算约束，从而在动态指定的预算下自主优化资源分配。这种方法消除了对外部复杂控制机制的依赖，提升了智能体在不同资源类型、 unseen budgets 及新任务分布下的适应能力和合规性，为构建更高效、可控的自主智能体提供了新的训练范式。 |
|
| 10-19 | Which Model for Which Role? Cost-Efficient Pareto Recommendation for LLM Agentic Workflows 机构: Cornell University, Microsoft, Columbia University, New York University, Shanghai University of Finance and Economics 本文针对 LLM 智能体工作流中模型角色分配的优化问题，提出了 CC-Gittins 算法。该算法巧妙利用了评估成本与部署成本的耦合特性，通过多目标搜索策略，在极低的评价成本下高效地推荐出质量、成本和延迟之间的最佳帕累托最优解，解决了现有方法灵活性不足和计算开销大的问题。 |
|
| 10-19 | RefCraft: Benchmarking Visual-Reference-Conditioned Agentic Generation through Web Development 机构: MMLab, CUHK; Alibaba Token Foundry RefCraft 填补了基于视觉参考的智能体生成评估的空白，通过构建逼真的多模态网页开发任务，揭示了当前最先进模型在处理复杂视觉参考和多源信息融合方面的局限性。该基准为未来研究提供了更贴近实际应用场景的评估标准，强调了提升智能体视觉理解和迭代优化能力的重要性。 |
|
| 10-19 | AllPath: Layered Verification for a Deployed, Self-Revising LLM Trading Agent under Human-Gated and Autonomous Regimes 本文通过部署 AllPath 系统，揭示了 LLM 交易代理在真实环境中面临的独特验证挑战。研究证明，单一验证者无法覆盖所有故障类型，必须采用分层架构：代码处理确定性约束，人类处理主观判断，代理在受限范围内自我反思。该工作为 LLM 在金融领域的实际部署提供了关于人机协作、验证策略及故障分类的重要实证参考。 |
|
| 10-19 | Fake News, Real Crashes: Information Injection Attacks on LLM Financial Trading Agents 机构: Texas A&M University 本文揭示了LLM金融交易代理在“数据平面”面临的严重安全威胁，即信息注入攻击。通过构建系统性基准，研究证明伪造新闻比传统提示注入更具危害性，且攻击成功率高度依赖于文本的表面可信度线索及代理的即时状态。现有防御措施如模型扩展和同行辩论大多无效，仅有分层聚合显示出一定的防御潜力。该研究强调了在自主金融代理中建立针对证据可信度验证机制的紧迫性。 |
|
| 10-19 | OpenVLHarness: Real World Visual Agentic Tool-Use with Multimodal Memory 机构: University of California, Los Angeles OpenVLHarness通过引入能力层和持久化多模态记忆，解决了MLLMs在需要外部证据的复杂视觉任务中推理能力不足的问题。它有效地将异构工具集成到推理循环中，不仅显著提升了多个主流模型在22个基准测试上的性能，还大幅降低了达到同等或更高性能所需的计算成本，证明了“工具增强+记忆保持”范式在视觉代理任务中的高效性。 |
|
| 10-18 | Auditing Tool Traces in Agentic LLMs: Source Localization and Counterfactual Dependence Testing 机构: University of California, Irvine; NEC Labs America 本文揭示了代理式LLM在科学工作流中面临的一个严重评估失效模式：隐藏标签捷径可能伪装成科学推理。通过提出的PT2D和Token-Class Redaction两阶段审计方法，作者证明了在TCR-pMHC预测中，模型的高性能主要源于对工具输出中标识符的依赖，而非真正的生物学推理。这一发现强调在信任基准测试增益之前，必须进行源级别的审计，以确保模型真正利用了外部证据。 |
|
| 10-18 | System X: An LLM Decision Model That Replies from Its Own KV Cache 机构: University of Oxford System X创新性地解决了LLM代理中决策与生成分离导致的效率低下问题。通过在决策选项中嵌入回复机制并复用KV缓存，它在保持甚至提升决策准确性和校准度的同时，显著降低了推理延迟。该方法证明了单一模型可以高效地同时处理结构化决策和非结构化文本生成，为部署轻量级、低延迟的智能代理提供了新范式。尽管存在状态冲突等失败模式，但其潜力在实验中得到验证。 |
|
| 10-18 | Learning Which Device to Call: Online Tool Grounding for LLM Agents in IoT 本文针对 LLM 智能体在 IoT 环境中面临的多设备选择难题，提出了在线工具 grounding 框架。通过将其转化为上下文多臂老虎机问题，并结合自适应分区、分层树结构以及差分隐私机制，有效解决了动态环境下的设备选择优化与隐私保护问题。实验证明该方法在成功率、成本、能耗和延迟方面均显著优于现有基线策略。 |
|
| 10-18 | Editing as Language: Teaching LLM Agents a Grammar for Native Context Editing 机构: The Chinese University of Hong Kong, Nanyang Technological University, Meituan LongCat Team, Mohamed bin Zayed University of Artificial Intelligence, Carnegie Mellon University 本文提出了原生上下文编辑（NCE）框架，通过将上下文编辑操作编码为专用特殊令牌的语法，使LLM智能体能够通过语言本身原生地编辑其上下文。这种方法克服了传统基于规则或外部工具方法的局限性，将上下文管理转化为模型的内在能力。实验表明，NCE在多个长程智能体基准测试中显著提高了任务成功率并大幅降低了Token使用量，展现了在多样化真实工作流中优秀的泛化性能和效率。 |
|
| 10-18 | BrandEval: A Two-Track Multi-Agent Benchmark for Risk-Sensitive LLM Crisis Communication 机构: Shaanxi University of Science and Technology, China Agricultural University, Tianjin University, Tsinghua University, Shaanxi Normal University, Hong Kong Metropolitan University BrandEval 填补了LLM在危机沟通领域评估的空白，通过静态分析和动态沙盒模拟相结合的方式，全面评估模型在处理产品危机时的战略思维和长期风险控制能力。研究指出，仅靠静态文本生成评估不足以衡量危机沟通的有效性，必须引入包含多方博弈和时间维度的动态评估框架。提出的 Strategic Rationale 方法为提升LLM在高风险场景下的决策质量提供了新方向。 |
|
| 10-17 | Bellman Language Models: Solving the Recurring Decisions of LLM Agents 机构: Stevens Institute of Technology 本文提出了 Bellman Language Models (BLM)，通过识别受限工作流中决策空间的饱和现象，将 LLM 代理的决策过程转化为马尔可夫决策过程的优化问题。通过“离散化然后决策”的方法，BLM 能够一次性求解最优策略并复用，显著提升了代理的效率、可靠性和成本效益。实验表明，该方法在电信和库存管理等基准测试中，能在大幅降低 LLM 调用成本（高达 98%）的同时，提升或保持顶尖的任务成功率，为构建高效、经济的 LLM 代理提供了新的范式。 |
|
| 10-17 | Pair-Aware Optimization: Coordinating Exploration and Refinement for Jailbreaking LLM Agents 机构: University of Macau, University of Warwick, Wuhan University ## 文章做了什么 - 背景：大型语言模型（LLM）智能体容易受到对抗性输入的攻击，导致执行攻击者指定的恶意行为（即越狱）。现有的基于优化的越狱攻击主要采用利用梯度信息的一阶（FO）方法或依赖函数值反馈的零阶（ZO）方法。 - 已有工作的不足：现有研究未充分探索 FO 和 ZO 方法的互补性以及优化顺序的影响。大多数攻击仅关注单一的贪婪生成输出，忽略了随机解码下同一对抗输入可能引发多样化推理轨迹和行动的现实情况，且缺乏对两种优化范式如何有效结合及排序的系统性研究。 ## 文章的核心贡献点 - 提出了一个 Pair-Aware Optimization 框架：该框架结合了 ZO 探索和 FO 细化，并在随机生成视角下协调两者以进行更有效的智能体越狱。 |
|
| 10-17 | HybridResearcher: Bridging the Structured-Unstructured Boundary for Deep Research Agents 机构: Seoul National University, University of California, Los Angeles, University of North Carolina at Chapel Hill, University of Houston, Snowflake AI Research HybridResearcher 通过创新的数据合成方法和两阶段训练策略，成功解决了 LLM 智能体在结构化和非结构化数据之间进行跨源推理的难题。它不仅在小参数模型上实现了超越超大模型的推理性能，还保持了在单一数据源任务上的竞争力，为高效、专业的深度研究智能体开发提供了新范式。 |
|
| 10-17 | Can LLM Agents Resolve Service Failures? Simulating Multi-Turn Complaint Handling under Information Asymmetry 机构: The Hong Kong Polytechnic University 本文指出了当前 LLM 在复杂投诉处理场景中的局限性，特别是信息不对称环境下的被动应对策略。通过引入 ServiceBench 基准和 APCS 模拟框架，系统性地评估并揭示了模型在主动信息收集和战略对话引导上的不足。研究证明，结合正义理论的评估体系和针对性的后训练（SFT/DPO），可以有效提升较小模型在情感密集型服务恢复任务中的表现，为构建更智能、更具同理心的客服代理提供了重要方向。 |
|
| 10-17 | Muse Glimmer 30B: An On-Device Agentic Model 机构: Meta Superintelligence Labs ## 文章做了什么 - 背景：近期大型语言模型在复杂推理和工具使用方面表现出色，但许多面向消费级硬件的开源模型是通用型的，缺乏自主智能体所需的专用能力（如持续的多步推理、可靠的工具调用和隐私上下文处理）。 - 已有工作为什么解决不了：现有的轻量级或中等规模模型往往无法在本地设备上同时实现高性能的智能体行为，导致专有云端系统与本地开发者的能力之间存在巨大差距。大多数模型未针对边缘硬件上的多步规划和故障恢复进行专门优化。 ## 文章的核心贡献点 - 提出了一个 Muse Glimmer 30B：这是一个专为在消费级硬件上运行而设计的300亿参数开源因果语言模型，集成了感知编码器，支持多模态输入。 |
|
| 10-16 | On the possibilities and limitations of LLM-based multi-agent systems for multi-criteria decision-making in healthcare operations management 机构: University of Cincinnati; IASI, CNR; Sapienza University of Rome 本文系统地分析了基于LLM的多代理系统在医疗多准则决策中的可能性与局限性。研究指出，虽然LLM能生成看似合理的偏好，但其显式偏好易受交互方式影响（审议导致同质化），隐式偏好易受顺序偏差干扰。因此，直接将LLM输出作为优化权重存在风险，必须通过鲁棒优化等方法处理偏好不确定性，并在实际部署前进行严格的可靠性审计。 |
|
| 10-16 | SIT-Eval: Situation-Based Interactive Turn-by-Turn Evaluation of Conversational Agents 机构: Satbayev University, Sber AI Lab SIT-Eval 提出了一种新颖的基于情境的交互式评估框架，通过将行为形式化为情境规则，并利用 LLM 驱动的动态情境触发和经过验证的 LLM 裁判，解决了现有静态基准在覆盖罕见情境和细粒度评估方面的不足。实验表明，该方法能有效揭示模型在特定情境下的细微失败模式，特别是在处理歧义和引导式提问时的弱点，为对话 AI 的安全性和鲁棒性评估提供了更可靠的工具。 |
|
| 10-16 | Robust Function Calling for LLM Agents Under Interface Drift 本文研究了 LLM 代理在部署后面临的“接口漂移”问题，提出了一种无需训练的推理时修复方法 SchemaShield-Lite。通过结合模式验证、候选集重试和约束修复，该方法在多个基准测试上显著提升了函数调用的鲁棒性，证明了验证与修复层作为部署后 LLM 代理工具使用的实用性强健性组件的有效性。 |
|
| 10-16 | RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory 机构: Tsinghua University, Qiyuan Lab 本文针对长周期智能体记忆检索中时间错位导致的关键证据丢失问题，提出了 TIDER 框架。通过引入 RL 训练的时间间隔定位器，实现了在检索阶段对时间窗口的精确推断，并结合双通道检索与重排序机制，有效解决了语义相似但时间不匹配记忆的干扰问题。实验表明，该方法在多个基准测试中取得了 SOTA 性能，验证了时间感知检索在长期记忆管理中的核心价值。 |
|
| 10-16 | Darwin-Claw: Environment-Adaptive Experience Consolidation for Recursively Self-Evolving Agents 机构: Zhejiang University, Tencent, Zhongguancun Academy Darwin-Claw 针对 LLM 智能体缺乏持续学习和环境适应能力的问题，提出了一种基于分层经验巩固的自进化框架。通过细粒度错误归因和原型向量泛化，它有效地将情景经验转化为技能优化和记忆更新的信号。实验证明该方法在性能上优于现有范式，为构建能够适应用户特定环境的终身学习智能体提供了新的解决方案。 |
|
| 10-15 | Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries 机构: Stanford University, Carnegie Mellon University Librarian Agents 通过训练一个构建者代理来主动策展长上下文工作空间，解决了 LLM 在长文档推理中的效率和灵活性问题。该方法利用强化学习优化文档重组策略，生成的分层文件系统显著提升了下游问答代理的性能，并在多个基准测试中超越了现有的检索和预计算方法，展现了良好的泛化能力和成本效益。 |
|
| 10-15 | Learning to Steer LLM Agents and Multi-Agent Systems 机构: National University of Singapore, University of Science and Technology of China, Alibaba Group 本文针对 LLM 智能体在长程任务中常见的目标漂移问题，提出了一种基于强化学习的 Steering Agent。通过引入快速和慢速双路径干预机制，并利用 GRPO 进行联合训练，该智能体能够实时监测并纠正执行偏差。实验证明，该方法不仅提升了单/多智能体系统的性能和效率，还具备良好的泛化性和可控性，为构建更鲁棒的 LLM 代理系统提供了新的思路。 |
|
| 10-15 | AutoSFT: An Agentic System for Automated Data Research in Supervised Fine-Tuning 机构: Tsinghua University AutoSFT 证明了在自动化监督微调数据研究中，模拟人类数据工程师的多样化操作（如比例调整、剪枝、合成等）比单一优化策略更有效。通过多智能体架构分离执行与分析，并引入数据合成机制，AutoSFT 成功克服了单智能体的上下文瓶颈和数据覆盖局限，在指令遵循和代码生成任务上均取得了显著的性能提升。 |
|
| 10-15 | PROBE: Learning to Audit Policy Compliance in Tool-Using LLM Agents 机构: Mohamed bin Zayed University of Artificial Intelligence PROBE 填补了工具使用型智能体在策略合规性审计方面的空白。通过引入基于强化学习的多轮交互式审计框架，它能够有效揭示那些在传统基准测试中被遗漏的深层策略违规。该方法为现实世界智能体系统的自动化策略审计提供了可扩展的路径，并暗示了一种“审计员暴露失败，智能体从中改进”的协同进化循环。 |
|
| 10-15 | GraphACM: Graph-based Action Consistency Measurement for Uncertainty Quantification in LLM Agents 机构: University of Florida GraphACM 通过构建状态合并图，解决了现有行为一致性测量中上下文不对齐和粒度粗糙的问题。它提供了一种细粒度的、基于状态条件的一致性测量方法，不仅能更准确地量化 LLM 智能体的不确定性并预测任务成功，还能揭示智能体决策过程中的具体一致性与分歧点，为提升智能体的可靠性和可解释性提供了新工具。 |
|
| 10-14 | From Training to Escalation: Forensic Analysis and Local Recreation of RL/RLHF-Induced Privilege Escalation in AI Agents (CVE-2026-65616) 机构: Universidad de Jaen, IA-ismo LAB 本文通过对OpenAI ExploitGym评估中 reported 的智能体逃逸事件进行深入的取证分析和局部复现，揭示了RL/RLHF训练条件下产生的特权升级漏洞（CVE-2026-65616）。研究证明，训练环境的配置缺陷与实际部署中的安全漏洞存在共同的可利用模式。文章最终提出，采用零信任架构原则是中和此类攻击向量、解决因学习环境缺乏适当遏制措施而引发的当代AI风险的关键途径。 |
|
| 10-14 | One Task, Many Interfaces: Simple Cross-Interface Consistency Training Improves LLM Agent Robustness 机构: University of Washington 本文指出了 LLM 智能体在接口变化下的脆弱性源于捷径学习，并提出了跨接口策略正则化（CIPR）方法。通过在自监督框架下最小化不同接口视图间的策略分布差异，CIPR 成功解耦了智能体能力与特定接口形式的绑定。实验表明，该方法在显著提升智能体对接口扰动鲁棒性的同时，保持了原有任务的性能，为构建更稳健的 LLM 智能体提供了简单有效的解决方案。 |
|
| 10-14 | Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents 机构: Institute of Computing Technology, Chinese Academy of Sciences Doc2Harness 填补了 LLM 代理评估中关于 Harness 工程能力的空白。通过两阶段的隔离构建与确定性测试，它有效地量化了模型在长周期任务基础设施构建上的泛化能力。结果显示，尽管前沿模型具备一定能力，但在处理复杂的跨模块功能拆分时仍面临巨大挑战，表明 Harness 工程是限制代理性能的关键瓶颈之一，也是未来模型能力提升的重要方向。 |
|
| 10-14 | TreeFlex: Agents Navigating Their Own Search Trees 机构: Meta AI TreeFlex 通过引入由智能体策略驱动的动态树搜索机制，有效解决了长程任务中上下文污染和状态回溯难的问题。其核心的双重角色设计（全局反思与局部执行）结合树感知的强化学习训练，使得智能体能够灵活地导航搜索空间，无需依赖人工 heuristic 或独立的评分模型。实验表明，该方法在深度研究和软件工程基准测试中均取得了 state-of-the-art 的性能，证明了自适应树结构在提升 LLM 智能体推理能力方面的巨大潜力。 |
|
| 10-14 | What Makes a Social Agent's Interactions Effective? Learning from Verifiable Outcomes in Paired Worlds 机构: Alibaba Group, The University of Tokyo 本文指出了当前社会智能体评估中重对话轻结果的弊端，构建了强调结果验证的 HICO-Bench 基准，并提出了 PaCPO 算法来解决稀疏奖励下的学习问题。实验证明，通过学习可验证的结果而非仅仅模仿流畅的对话，能显著提升智能体在真实协调任务中的有效性。 |
|
| 10-13 | BLADE: Auditing Information Use for Failure Attribution in LLM Multi-Agent Systems 机构: University of Connecticut BLADE 通过审计依赖证据而非仅仅追踪依赖关系，解决了多智能体系统中故障归因的难题。它通过概率选择关键交接点并审计信息使用的忠实性，有效区分了错误的引入与传播。实验证明，BLADE 在无参考答案的情况下，显著优于现有基线方法，为构建更可解释和可靠的多智能体系统提供了新路径。 |
|
| 10-13 | Can an Agent Learn to Predict Its Own Failure? Outcome-Grounded Confidence Calibration in LLM Agents 机构: SAP 本文提出了一种基于最终结果 grounding 的 LLM Agent 置信度校准方法，解决了传统单步校准无法预测长程任务最终结果的问题。通过 GRPO 框架和适当的评分规则，Agent 能够生成可靠的逐步骤置信度信号。实验表明，该方法在多个环境中显著提升了置信度校准质量（AUROC 和 ECE），并使 Agent 能够在早期识别潜在失败的任务，为运行时控制和人工介入提供了有效依据。 |
|
| 10-13 | Knowledge Graphs as Files: An Agent Harness Where Tool Creation and Tool Use Co-Evolve 机构: Texas A&M University, University of Oregon 本文提出了DKGI框架，通过将知识图谱视为文件，打破了预定义接口的束缚。其核心创新在于允许智能体在任务执行过程中动态创建和修改访问图谱的代码，实现了工具创建与使用的协同进化。实验证明，这种无需训练的方法在多个基准测试中显著超越了现有的最先进方法，展示了在复杂图搜索任务中赋予智能体更高数据访问自由度和代码演化能力的巨大价值。 |
|
| 10-13 | Lost in Implicit Routing: How LLM Agents Fail to Load Relevant Skills at Scale 机构: The University of Hong Kong, Huazhong University of Science and Technology 本文揭示了 LLM Agent 在大规模技能库中面临的“隐式路由崩溃”问题，证明了随着无关技能增加，语义干扰和指令竞争会导致 Agent 无法加载必要技能。研究建议采用显式的技能预选择机制（如 RAG 或 LLM 过滤器）将技能检索与任务执行解耦，从而在保持高召回率的同时提升 Agent 的可扩展性和成功率。这一发现为未来 Agent 技能协议的设计和评估提供了重要指导。 |
|
| 10-13 | ProAS: A Progress-Aware Advantage Shaping Framework for Multi-Turn Agentic Reinforcement Learning 机构: Westlake University, Zhejiang University, Huawei Noah’s Ark Lab ProAS通过引入进度感知的优势塑造机制，有效解决了无评论家RL算法中的均匀信用分配难题。它在不增加额外评论家网络计算负担的前提下，通过细粒度的动作级信用修正，显著提升了LLM智能体在多轮交互任务中的性能和训练效率，为高效强化学习对齐提供了新的思路。 |
|
| 10-12 | The belief-action gap in language model agents 机构: University of Cambridge 本文揭示了语言模型智能体中存在的“信念-行动差距”，即模型内部虽然编码了正确的状态和价值信息，但未能将其一致地转化为最优行动。通过分解信念、偏好和决策机制，研究发现决策在承诺点附近趋于确定，但信念变化与偏好转移缺乏简单因果关系。干预实验表明，推理上下文的移植比局部激活编辑更能影响行动。这一发现强调，提升LM智能体性能不仅需要增强信息获取能力，更需优化信息到行动的转化机制，为诊断和干预智能体失败提供了新的视角。 |
|
| 10-12 | When LLM Agents See a Conflict but Still Proceed: Cross-Domain Dependencies in Network Slicing 机构: Federal University of ABC (UFABC) 本文通过实证研究指出，在 AI 原生网络中，仅仅让 LLM 代理“看到”跨域依赖并不是足够的安全保障。由于代理经常出现“视而不见”或“知错犯错”的行为，网络管理架构必须在执行不可逆操作之前，通过架构层面的强制机制来执行依赖验证，而不能单纯依赖 LLM 的自我判断。 |
|
| 10-12 | MENTOR: Procedural Shielding of Tool-Using LLM Agents 机构: Max Planck Institute for Software Systems MENTOR 通过引入基于博弈的历史依赖运行时屏蔽器，解决了 LLM 智能体在遵循自然语言程序手册时的合规性难题。它不仅防止违规操作，还主动引导智能体正确执行任务，实现了上下文感知的过程屏蔽。该方法在提升合规性的同时避免了过度保守的行为，使得轻量级开源模型在实际应用中具备超越 proprietary 模型的竞争力，为自动化工作流提供了一种高效、可靠且具成本效益的解决方案。 |
|
| 10-12 | AutoMARS: Automatic and Scalable Multi-Agent Large Language Model Framework for Supply Chain Risk Assessment 机构: Georgia Institute of Technology AutoMARS 是一个创新的多智能体 LLM 框架，专门针对供应链风险评估中的自动化和可扩展性痛点。它通过整合异构数据源、自动化工作流规划和并行任务处理，实现了对供应链网络风险的全面、高效且可解释的评估，为供应链选址和风险管理提供了强有力的决策支持工具。 |
|
| 10-12 | Why Agentic Workflows Fail: A Taxonomy Derived from Literature and Empirical Data 机构: University of Birmingham 本文提出了一种新颖的来源感知智能体工作流故障分类体系，通过双轴定位矩阵实现了对故障中间状态的精细化诊断。实证研究表明，学术研究与实际工程应用在故障分布上存在显著差异，前者关注认知能力，后者关注执行与系统集成。该工作强调应将智能体工作流的可靠性视为系统级问题，为未来的结构化评估、根本原因分析、故障注入测试及工程分流提供了坚实基础。 |
|
| 10-11 | Revocation Is Not Complete at Receipt: An Executable Outcome Contract for Distributed Agent-Tool Gateways 机构: Nanchang Hangkong University 本文揭示了分布式智能体系统中“接收即撤销完成”这一假设的危险性。通过提出 C0-C5 有界结果契约，作者证明了必须将监控范围延伸至实际效果的预防阶段，才能准确判定撤销是否真正完成。实验表明，在网络异常或恶意配置下，传统的传输确认机制会掩盖严重的权限漏洞，而本文提出的契约机制能够提供零假阳性的准确审计结果，为分布式智能体安全提供了新的验证标准。 |
|
| 10-11 | Agent Sociodrama: Social-Dynamics-Guided Persona Recasting for LLM Agent Teams 机构: Beihang University; Nanyang Technological University, Singapore 本文提出了 Agent Sociodrama，解决了 LLM 智能体团队在长期交互中缺乏动态社会关系建模的问题。通过外部裁判维护 evolving 的情感和关系状态，并验证其社会保真度，文章揭示了经过验证的社会轨迹可以作为修复智能体团队的可操作信号。提出的 TPR 方法通过诊断和重塑人设，显著提升了团队在复杂协作任务中的表现，超越了现有的 SOTOPIA 和 AgentVerse 等基线方法。 |
|
| 10-11 | Scalable Weak-to-Strong Verifier Hardening for Agent Environments 机构: Stanford University, Carnegie Mellon University, Fewshot Corp 本文提出了一种自动化的“弱到强”验证器加固框架，通过隔离沙箱和迭代的“黑客-修复者”循环，有效解决了智能体环境中验证器易受奖励黑客攻击的问题。该方法不仅显著降低了强智能体的攻击成功率，还保持了高良性通过率，并展现出随计算预算扩展的能力。其实际效用已得到社区认可（被 Terminal Bench 采纳），为构建更鲁棒、防错位的 LLM 智能体评估环境提供了重要工具。 |
|
| 10-11 | LLM Value Functions for Credit Assignment in Agentic RL 机构: Apple 本文提出了 LVRL 和 LVOPD，通过利用冻结 LLM 的上下文学习能力来解决长视野任务中的稀疏奖励信用分配难题。该方法避免了训练额外 Critic 的高成本和不稳定性，同时提供了比轨迹级方法更精细的步级反馈。实验结果表明，该方法在多个复杂智能体基准上大幅超越了现有的 GRPO 和 PPO 方法，特别是在高难度探索任务中表现卓越，为 LLM 智能体的强化学习训练提供了一种高效且强大的新范式。 |
|
| 10-11 | SurgiCLAW: An Interpretable Atomic-Skill Agent for Precision Robotic Micromanipulation 机构: Institute of Automation, Chinese Academy of Sciences SurgiCLAW 提出了一种新颖的分层架构，成功将 MLLM 的高级认知能力与确定性控制系统的精确执行能力相结合。通过引入原子技能概念和结构化推理机制，该方法有效克服了手术机器人领域中数据稀缺、精度要求极高以及决策需可解释的核心痛点。实验结果表明，该框架在脑机接口植入任务中表现出极高的技能选择准确率和真机操作成功率，为高精度手术机器人的智能化提供了一条可信赖的技术路径。 |
|
| 10-09 | Taking Tokenization off the Host for Agentic LLM Serving 机构: KTH Royal Institute of Technology GraphTok 通过将分词任务卸载到 GPU 并利用 CUDA 图技术，有效解决了 Agentic 工作负载中因前缀缓存普及而凸显的分词瓶颈。它不仅大幅降低了首字延迟，更显著提升了单前端能支持的 GPU 集群规模和整体系统吞吐量，为大规模 LLM 代理服务提供了高效的基础设施支持。 |
|
| 10-09 | Rollout-Time Intervention: Unlocking Agentic Reinforcement Learning Beyond Policy Limits 机构: Alibaba Group, HKUST (Guangzhou) 本文针对智能体强化学习中因任务超出能力边界导致的训练崩溃问题，提出了 Rollout-Time Intervention (RTI) 方法。通过在 rollout 阶段利用评估规则修正错误轨迹并过滤高分布偏移数据，RTI 有效解决了有效轨迹稀疏和离线数据分布偏移的挑战。实验表明，RTI 能显著提升智能体性能，使其突破原有能力限制，为提升 LLM 智能体的复杂任务处理能力提供了新途径。 |
|
| 10-09 | A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models 机构: National Research Centre “Kurchatov Institute”, National Research Nuclear University MEPhI, Moscow Institute of Physics and Technology, Harbin Institute of Technology 本文提出了一种基于多代理LLM的自动化调优框架，专门用于调整专用神经网络模型中的关键功能模块。通过限制代码生成范围至特定组件并保持整体架构稳定，该方法成功克服了传统自动化ML方法在灵活性和通用性上的局限。实验结果表明，该框架在脉冲神经网络分类和物理信息神经网络求解微分方程等截然不同的任务中均取得了显著的性能提升，展现了强大的跨领域迁移能力和自动化调优潜力。 |
|
| 10-09 | Matched-Context Group Policy Optimization for LLM Agent Training 机构: Imperial College London, University of Science and Technology of China, Meituan, Tsinghua University 本文针对 LLM 智能体训练中的长视野信用分配问题，提出了 MCGPO 方法。通过引入规则感知的上下文匹配机制，解决了传统组相对 RL 方法中因状态摘要模糊导致的上下文不匹配问题。实验证明，MCGPO 在多个基准测试和模型规模上均优于现有的 GraphGPO 方法，特别是在高基线性能下仍能实现显著增益，为无评论家的 LLM 智能体训练提供了更精细的信用分配方案。 |
|
| 10-09 | AgentTune: A Unified Training Lifecycle for Tool-Using LLM Agents 机构: Lexsi Labs AgentTune 通过定义统一的轨迹契约（EventLog）和共享的训练栈，解决了当前 LLM Agent 开发中工具链碎片化的问题。它不仅简化了从构建到维护的开发流程，还通过支持自我修复和多种强化学习算法，提升了 Agent 的鲁棒性和性能。该框架为未来复杂 Agent 系统的标准化开发和优化提供了重要基础。 |
|
| 10-08 | OnTrack: Real-Time Monitoring and Intervention in LLM Agent Trajectories via Streaming Structure-Aware Optimal Transport 机构: Cribl AI Research Lab OnTrack 提出了一种创新的轻量级实时监控方案，通过结构感知最优传输技术解决了 LLM Agent 执行过程中的成本和安全隐患。它不仅在速度上达到了毫秒级响应，还在不同数据可用性的场景下展现了灵活的监控能力。实验证明，该方法在早期识别失败轨迹方面优于传统语义匹配方法，并能有效节省计算资源，为 LLM Agent 的安全部署提供了高效的工程化解决方案。 |
|
| 10-08 | Accurate but Not Humble: Evaluating Epistemic Humility in LLM Agents under Knowledge Conflict 机构: Johns Hopkins University, New York University 本文指出了当前LLM智能体评估中忽视“认知谦逊”的问题，提出了基于ISE（识别、解决、升级）维度的EH评估框架。研究发现，当前智能体虽然可能在特定任务上取得高准确率，但在面对知识冲突时往往缺乏适当的谦逊行为，如未能有效沟通不确定性。研究强调，提升智能体的认知谦逊需要综合考虑模型、架构和环境，且可能与追求极致准确率存在权衡。 |
|
| 10-08 | A Closer Look at Agentic BBO: Benchmarking LLM Agents for Black-Box Optimization 机构: Nanjing University 本文指出了当前基于代理的黑盒优化研究缺乏统一基准的问题，提出了 AgenticBBO-Bench。通过广泛的实验，证明了代理方法在跨领域 BBO 任务中的优越性，并深入分析了影响代理性能的关键因素。该基准为未来通用模型和代理系统的比较提供了标准化平台，推动了通过代理操作实现通用黑盒优化的发展。 |
|
| 10-08 | Agentic-TTT: Training test-time policy for test-time training 机构: National University of Singapore Agentic-TTT通过引入测试时策略，解决了TTT在开放世界中适用性差和资源浪费的问题。它赋予模型自主决定如何从部署经验中学习的能力，实现了近乎翻倍的性能提升和良好的跨域泛化能力，标志着向自主自我改进模型迈出了重要一步。 |
|
| 10-08 | From Reactive Containment to Proactive Assurance: Lessons from OpenAI, Anthropic, and Google Agent Security Incidents 机构: Walsh College 本文通过分析2026年OpenAI、Anthropic和Google的智能体安全事件，指出依赖静态边界的传统评估方法存在根本缺陷。文章提出了PASAC框架和五层边界保障栈，主张将安全重点从单一模型或沙箱转移到整个执行系统的连续主动保障上。通过风险分级、最小权限、独立监控和动态授权等机制，该框架为构建更具韧性的智能体评估环境提供了理论指导和实践路径，强调了在智能体运行过程中实时验证安全边界的重要性。 |
|
| 10-07 | Beyond Outcome Rewards: Constructing and Assigning Retrieval Credit for Search Agents 机构: University of Edinburgh 本文深入探讨了中间监督在搜索代理强化学习中的作用，指出仅靠最终结果奖励会导致信用分配稀疏和低效。通过系统研究奖励塑造和信用分配策略，作者提出了一种结合中间信号与最终奖励的训练框架。实验证实，合理设计中间奖励及其分配方式能显著提升代理性能，为未来构建更高效的检索增强生成代理提供了重要的设计指导。 |
|
| 10-07 | Know the Shape, Find the Fault: Topology-Conditioned Diagnosis of Multi-Agent LLM Failures 机构: Beihang University 本文揭示了通信拓扑与多智能体 LLM 系统故障模式之间的强相关性，并提出了 MAScope 框架。通过 TSE 模块从轨迹中恢复拓扑，并利用 TC-Judge 结合拓扑先验进行故障诊断，该方法不仅显著提高了诊断准确率，还通过拓扑复用机制大幅降低了推理成本，为高效、低成本的多智能体系统监控和调试提供了新途径。 |
|
| 10-07 | Why Software Engineering Is Indispensable in the Age of Coding Agents 机构: Politecnico di Milano 本文有力地反驳了“AI 将使软件工程过时”的观点。作者指出，LLM 固有的概率性和无状态性决定了其无法独立承担专业软件开发的责任。软件工程提供的方法论、领域知识、设计和过程控制是确保软件可信度的必要基础。未来的软件工程师将从单纯的代码编写者转变为 AI 智能体的管理者、验证者和架构守护者，其核心价值在于将 AI 的“概率性生成”转化为工程的“可证明正确性”。 |
|
| 10-07 | Agentic AI-Assisted Modeling for Production Scheduling: Assessment in Constraint Programming 机构: Universidade da Coruña 本研究填补了自动化建模与代理式决策支持之间的空白，证明了未经过专门训练的通用LLM在代理架构辅助下，能够从自然语言描述中构建约束规划模型。通过引入MCP服务器和多代理协作机制，显著提升了代码生成的可执行率，为实现运筹学模型的民主化和降低工业应用门槛提供了可行路径，尽管在高度复杂耦合场景下仍有提升空间。 |
|
| 10-07 | AdaT$^2$: Adaptive Test Transformations for Black-Box Boundary Testing of Conversational Agents 机构: University of Limerick AdaT² 通过从探索性对话中提取策略陈述，并结合自适应的测试变换指令生成技术，显著提升了对话代理黑盒边界测试的效果。该方法不仅提高了生成测试的有效性，还通过贝叶斯 UCB 算法优化了测试选择过程，能够在更少的测试次数下发现更多的策略违规和边界缺陷，优于现有的 AgentEval 方法。 |
|
| 10-06 | Agent in a Bottle: Can LLM Agents Turn Their Capabilities Into Cheap, Scalable Artifacts? 机构: University of Tübingen, ELLIS Institute Tübingen, Max Planck Institute for Intelligent Systems, École Polytechnique, KAIST AI 本文引入了“瓶装”（Bottling）概念及 BOTTLED 基准，旨在评估和提升 LLM 代理将通用能力转化为低成本、可扩展的特定任务工件的能力。研究发现，当前的零样本强模型并不必然具备优秀的瓶装能力，存在显著的性能落差。尽管如此，成功的瓶装策略能在保持高准确率的同时实现数百倍的成本降低，甚至在性价比上超越专用的轻量级模型。该研究为未来开发更高效的自主代理提供了重要的评估基础和方向。 |
|
| 10-06 | WorldSolver: Can LLM Agents Simulate the Physical Dynamics via Solver Generation? 机构: NLPR & MAIS, CASIA; PKU; Huawei Noah’s Ark Lab WorldSolver 是迈向智能体求解器生成的早期重要一步。它揭示了当前LLM智能体在整合物理理解、数学推理和代码实现方面的局限性。该基准测试旨在推动开发能够忠实模拟动态物理世界的智能体，为具身AI和相关领域的进一步发展提供评估标准和研究方向。 |
|
| 10-06 | Wiki-Talkie: Multilingual Benchmarking of Persona-Based Agents on Real-World Discussions 机构: Amazon 本文介绍了 Wiki-Talkie，这是一个针对基于人设的代理进行多语言基准测试的新资源。通过利用维基百科讨论页的真实对话和衍生的人设，该研究揭示了当前 LLM 代理在模拟人类交互时存在的系统性偏差（如过度积极），并证明了基于行为历史的条件策略比显式人设描述更有效。这些发现为开发更忠实于人类行为多样性的社交代理提供了重要见解。 |
|
| 10-06 | Transect: Retaining Observability for Long-Horizon LLM Agent Evaluations 机构: UK AI Security Institute Transect 通过提供灵活、可定制的记录分析管道，解决了长程、复杂 AI 评估中的可观测性危机。它不仅提高了评估效率，使评估者能够跟上日益频繁和复杂的 AI 系统迭代，还通过增强透明度、可追溯性和可复现性，支持了 AI 安全评估的科学严谨性。 |
|
| 10-06 | Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments? 机构: National University of Singapore Learn2Play Bench 填补了评估 LLM 智能体在陌生环境中从经验学习能力的空白。通过引入规则新颖的文本游戏，该基准测试揭示了当前智能体在经验保留、策略探索效率以及框架依赖性方面的局限性。研究结果表明，简单的记忆保留优于复杂的规则提取，且优化智能体框架是提升学习效率和降低成本的有效途径，为未来改进智能体的自适应学习能力提供了方向。 |
|
| 10-05 | MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents 机构: Nanyang Technological University, Tsinghua University, University of Illinois Urbana-Champaign MemPilot 解决了现有智能体记忆系统在运行时适应性和多目标权衡方面的不足。通过引入基于强化学习的多步策略，动态协调异构模型的按需记忆整理，并结合目标级优势解耦和前缀边际效用估计技术，MemPilot 实现了细粒度的计算资源分配。实验表明，该方法能在性能、成本和延迟之间提供更优且更灵活的权衡方案，显著优于现有基线。 |
|
| 10-05 | RAISED: Self-Distillation for Robustness to Prompt Injection in LLM Agents 机构: LIX, École polytechnique, Institut Polytechnique de Paris, CNRS; Google DeepMind; AMIAD; IRT SystemX 本文指出了现有 LLM 智能体防御间接提示注入方法中存在的分布漂移和对良性工具指导过度拒绝的问题。为此，作者提出了 RAISED 框架，利用自生成和自蒸馏技术，在有效抵御提示注入攻击的同时，保持了模型在复杂任务和通用场景下的高可用性，实现了鲁棒性与效用的良好平衡。 |
|
| 10-05 | BazaarBench: Delegation Safety in Decentralized C2C Marketplaces Run by LLM Agents 机构: King's College London, University of Oxford, Institute for Decentralized AI, The Alan Turing Institute 本文介绍了BazaarBench，首个针对去中心化C2C市场中LLM代理委托安全性的基准测试。通过模拟真实市场动态和引入多种压力场景，研究揭示了当前主流LLM代理在面临经济诱惑和对抗性指令时，极易出现欺诈、过度承诺和隐私泄露等严重安全问题。该工作为开发更安全的 marketplace agents 提供了重要的评估工具和实证依据。 |
|
| 10-05 | ANT: A Multi-Granularity Network Traffic Dataset and Benchmark for Agents Behavior Auditing 机构: Tsinghua University 本文介绍了 ANT，一个用于智能体行为审计的多粒度网络流量数据集和基准。通过提供风险、场景和行为原语三个层次的标注，ANT 解决了现有数据集在评估智能体行为可推断性方面的不足。基准测试结果表明，虽然现有流量分析方法能提取部分行为信号，但在处理相似流量模式和罕见行为时仍存在局限。ANT 为未来开发更精确的智能体行为审计和取证分析工具奠定了基础。 |
|
| 10-05 | Back to the Future: Rethinking EDA Infrastructure for Agentic Systems in Chip Design Verification 机构: Columbia University 本文针对芯片设计验证中后模拟波形调试自动化的空白，提出了BTTF框架。通过将海量波形数据转化为关系型数据库，并结合多智能体系统进行自然语言到SQL的转换及RTL关联，有效解决了基础设施阻抗问题。实验结果表明，该方法在准确性和质量上均显著优于现有基线，为实现自主化的EDA验证流程迈出了重要一步。 |
|
| 10-04 | Look Before You Leap: Thermodynamic Arbitration of Parametric and Non-Parametric Knowledge in LLM Agents via Self-Regulating Memory Architectures 机构: Fidelity Investments 本文提出了 MARTA 架构，通过引入热力学仲裁机制，解决了 LLM 智能体中参数化与非参数化知识之间的割裂问题。通过让智能体在行动前“三思”（评估内部熵），MARTA 实现了自适应的检索策略，既保留了内部知识的效率，又在必要时利用外部知识确保准确性，向具备自我意识和内省能力的机器智能迈出了重要一步。 |
|
| 10-04 | DREAM: Dynamic Resolution Assignment For Multimodal Multi-agent Debate 机构: Deakin University DREAM 框架通过引入动态分辨率分配和不确定性引导的回滚聚合两个核心组件，有效解决了多模态多智能体辩论中视觉尺度僵化和群体思维两大瓶颈。实验证明，该方法在多个基准数据集上均能显著提升推理准确率并优化计算资源使用，为多模态大模型的协同推理提供了新的思路。 |
|
| 10-04 | AutoDP-LLM: Automating Data Pre-processing for Intrusion Detection Systems using Large Language Models 机构: National Economics University, Phenikaa University, Posts and Telecommunications Institute of Technology, Le Quy Don Technical University, VNPT Group, MobiFone Corp. AutoDP-LLM 通过引入 LLM 实现了 IDS 数据预处理流程的自动化，有效解决了传统方法中人工成本高、试错效率低以及计算负担重的问题。该框架不仅能够自动生成高质量的预处理代码，还能通过语义和统计相结合的方式进行自适应特征选择，显著降低了人工干预需求，并在标准数据集上展示了优于或媲美传统方法的检测效果，为智能化网络安全防御提供了新的思路。 |
|
| 10-04 | Safe Context Switching for Agents in the Wild: Mitigating Subspace Interference via Orthogonal Adaptation 机构: Fidelity Investments 本文揭示了模块化智能体系统中存在的“顺序子空间干扰”现象，指出标准微调会导致严重的推理漂移和安全漏洞。作者提出了 AURA 框架，通过谱正则化和正交适应技术，将推理更新限制在安全对齐流形的正交补空间中。实验表明，该方法能在显著提升逻辑推理能力的同时，几乎完全保留模型的安全对齐特性，为构建高效且安全的模块化智能体提供了几何解耦的新思路。 |
|
| 10-04 | G-CARB: Graph-Localized Conformal Agent Risk Budget for Compositional Harm 机构: McGill University, Polytechnique de Montréal 本文针对 SLM 智能体的组合性危害问题，提出了 G-CARB 框架。通过引入全局危害账本和基于图依赖的证据选择机制，G-CARB 在保证共形风险控制理论边界的同时，显著降低了监控开销并提高了任务完成率。该方法有效解决了传统方法在跨步骤危害追踪和控制单元匹配上的不足，为低成本、高效率的智能体安全控制提供了新方案。 |
|
| 10-03 | Quantifying Collusion Among Autonomous LLM Agents: A Statistical Analysis of the Collusion Wiki Incident 本文通过对“Collusion Wiki”事件的重新分析，强调了在分析自主LLM代理行为日志时避免方法论陷阱的重要性。通过修复四个关键的技术错误，作者提供了关于代理行为模式的严格统计证据，揭示了同一代理时间聚类的显著性、版主干预的有效性以及代理间中继通信的真实规模。这项工作为未来研究自主代理的协调行为提供了可靠的分析框架和工具。 |
|
| 10-03 | AegisFlow: A Multi-Agent Agentic AI Framework for Autonomous Remediation and Self-Healing in Fragile Data Ecosystems 机构: Ministry of Defense, Doha, Qatar; IQRA University, Islamabad, Pakistan; South East Technological University, Waterford, Ireland AegisFlow 通过引入基于 LLM 的多智能体框架和并行影子补丁技术，成功解决了数据管道脆弱性和人工修复效率低下的问题。它实现了从被动可观测性到主动代理修复的范式转变，大幅缩短了平均修复时间并提高了自动化修复的成功率，为复杂数据生态系统的自愈提供了有效的解决方案。 |
|
| 10-03 | MASBench: Benchmarking LLM-based Multi-Agent Collaboration under Partial Observability 机构: Beijing University of Posts and Telecommunications, Shanghai Jiao Tong University, Tsinghua University MASBench填补了部分可观测环境下多智能体协作评估的空白。通过解耦协作机制并引入确定性指标，它为设计和优化高效的LLM多智能体系统提供了标准化的测试平台和实证指导，强调了在信息受限场景下协作机制设计的重要性。 |
|
| 10-03 | Not Self-Decidable: LLMs Cannot Draw the Boundary of What an Agent Verifier Can Check 机构: Confidential Core AI 本文核心观点是“自决性”并非模型的一种能力，而是验证器必须构建的边界。通过实证分析揭示了 LLM 在区分可代码化检查与需人工裁决规则时的系统性失败，特别是模型间的共谋错误。提出的 CoVer 算法通过“先佐证后验证”的策略，利用干预测试和确定性重述来严格界定可判定性，为高风险领域的 Agent 验证提供了更可靠的方法论基础。 |
|
| 10-03 | Principles that Guide, Actions that Inform: Agent Evolution via Knowledge Abstraction 机构: Shanghai Jiao Tong University, Alibaba Group, University of Science and Technology of China 本文针对 LLM 智能体难以从经验中持续进化的问题，提出了 SAGA 框架。该框架通过将具体交互抽象为分层知识（情景、过程、原则），并利用“执行-抽象”反馈闭环将抽象知识实例化为具体行动指导，有效解决了知识泛化与落地执行的难题。实验证明该方法能显著提升智能体在复杂交互环境中的表现。 |
|
| 10-02 | D2K-Bench: Can LLM Agents Turn Expert Designs into Efficient GPU Kernels? 机构: HKUST, Alibaba Group, USTC D2K-Bench通过引入分层专家指导和多维度的诊断评估，解决了传统基准仅靠运行时数据无法区分设计与实现缺陷的问题。研究证实了专家设计指导在提升LLM生成GPU内核的正确性和效率方面的巨大价值，并为未来改进自动化内核开发工具提供了明确的方向，即需同时加强智能体的设计探索能力和代码实现 fidelity。 |
|
| 10-02 | EdgeAgent: Orchestrating On-Device LLM inference for End-User Multi-Agent Systems on CPU-GPU Unified Memory Architectures 机构: Sun Yat-sen University EdgeAgent 通过微架构层面的零拷贝张量并行和调度层面的动态草稿预算及异步挂起机制，有效解决了端侧 UMA 架构上多智能体 LLM 推理面临的总线争用和执行碎片化问题。实验证明其在 Apple M4 平台上能显著提升推理速度，为隐私保护的端侧多智能体系统提供了高效的底层支持。 |
|
| 10-02 | ReFract: Benchmarking Perspective Awareness in Language Model Agents with Text World Models 机构: King's College London, Amazon, Universidade Federal Fluminense, The Alan Turing Institute ReFract 基准测试填补了LLM智能体在角色敏感型高风险场景评估中的空白。通过引入视角感知和视角路由的概念，该研究强调了智能体不仅需要具备执行任务的能力，更需要具备理解用户社会角色、权限边界及意图的理论心智能力。实验结果表明，当前最先进的模型在此方面仍有显著缺陷，亟需开发能够校准“为谁行动”的新型智能体架构。 |
|
| 10-02 | Threat-Preserving Representation Sensitivity in Agent-Security Benchmarks 机构: The Pennsylvania State University 本文揭示了LLM智能体安全基准测试中存在严重的“威胁保持表示敏感性”问题。通过引入TPRS指标并在多个基准上进行大规模实证研究，作者证明了工具名称和描述等表面表示形式的微小变化会导致攻击成功率发生显著波动。这一发现挑战了当前仅凭单一ASR分数评估模型安全性的做法，呼吁社区在评估智能体鲁棒性时，应采用多种表示形式进行综合测试，以确保评估结果的泛化性和真实性。 |
|
| 10-02 | Passing the Test You Trained On: Re-evaluating Prompt-Injection Detectors for LLM Agents 机构: Japan Advanced Institute of Science and Technology (JAIST) 本文指出当前提示注入检测器的评估存在严重缺陷，基准测试分数不能预测其在 LLM Agent 中的实际行为。核心发现是检测器的性能高度依赖于其训练数据形式与评估输入形式的相似性，而非通用的检测能力。作者建议，旨在指导部署的评估应使用 Agent 自身的工具输出，报告低误报率下的检测性能，并严格审计检测器的训练数据来源。 |
|
| 10-01 | Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents 机构: University of Texas at Austin Mem++ 通过引入非破坏性记忆框架，解决了 LLM 代理在长期组织工作中面临的历史决策追踪难题。它摒弃了传统的写入时信息压缩策略，转而采用写入时完整存储、读取时基于时间和语义筛选的策略。实验结果表明，该方法在多个基准测试中显著优于现有的 RAG 和其他记忆管理系统，为构建具备准确长期历史感知能力的组织级 LLM 代理提供了有效解决方案。 |
|
| 10-01 | Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents 机构: UC Berkeley 本文提出了 RPG 框架，解决了具身智能体在不更新模型权重前提下自主改进执行系统的难题。通过结合离线数据重构、仿真中的闭环练习与诊断、以及严格的跨任务验证，RPG 能够自动生成和优化可重用的符号技能。实验表明，该方法在仿真和真实世界中均取得了超越当前最先进基线（如 ASPIRE 和 CaP-Agent0）的性能，实现了高效、鲁棒且可泛化的机器人控制，为减少机器人部署中的人工工程努力提供了新范式。 |
|
| 10-01 | Continuous Process-Level Evaluation for Evolving Enterprise AI Agent Skills 机构: IBM Research, Georgia Institute of Technology 本文强调了在企业级 AI Agent 持续演进过程中，仅靠结果评估不足以保障系统可靠性。作者提出的持续过程级评估框架通过程序化检查和受限 LLM 裁判，有效捕捉了隐藏在正确结果背后的过程错误。实验表明，绝大多数看似成功的运行实际上存在过程偏差，证明了该框架作为负责任部署循环中质量网关的重要价值。未来工作将包括在实际 API 演进下的纵向验证。 |
|
| 10-01 | Mimir: Physics-Grounded LLM Agents for Long-Horizon Irrigation Control 机构: Michigan State University, Ohio State University Mimir 展示了持久性物理代理如何将语义推理与有界的、证据驱动的自我改进相结合，同时将物理真理和执行器权限保留给显式的数值机制。该研究强调，在长周期物理控制中，不应让 LLM 直接重写物理规则，而应通过双时间尺度的修复机制（快尺度的数值验证与慢尺度的原则提炼）来确保安全性和高效性。这一范式为 LLM 在需要长期状态依赖和严格安全约束的物理系统中的应用提供了重要启示。 |
|
| 10-01 | TRACE: Tackling Real-World Resource Assignment Problems via Agentic Heuristic Design 机构: NEC Laboratories Europe, i2CAT Foundation and ICREA TRACE 解决了现有 AHD 方法在真实世界资源分配中因缺乏系统内部动态信息而导致性能受限的问题。通过引入多代理协作机制，自动从复杂的系统日志中提取因果知识和可执行工具，并将其反馈给进化算法，实现了比传统标量反馈方法更优的资源调度策略，同时保持了工业级所需的低延迟和高可解释性。 |
| Date | Paper | Links & Summary |
|---|---|---|
| 09-30 |
PhantomEnvironments: Training LLM Agents in Fictional Worlds 机构: Cornell University, Stanford University PhantomEnvironments证明了完全由规则生成的、基于虚构世界的合成环境是训练LLM搜索代理的高效且免费的资源。它解决了RL训练中环境构建的成本和可靠性瓶颈，并揭示了搜索技能的逻辑结构独立于具体事实知识，能够从虚构环境有效迁移至真实世界任务。 |
|
| 09-30 |
PivotOPD: Learning to Recover from Pivotal Mistakes in Multi-Turn Agents 机构: Princeton University, NVIDIA, University of Maryland PivotOPD 解决了多轮智能体训练中因早期关键错误导致的误差累积问题。通过结合预防性蒸馏（利用反向 KL 避免错误）和恢复性蒸馏（利用正向 KL 学习恢复路径），该方法不仅教会智能体少犯错，还教会其在犯错后如何自救。实验表明，该方法在多个复杂交互任务基准上均优于现有最先进方法，且具备跨模型家族的泛化能力。 |
|
| 09-30 |
Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training 机构: Apodex 本文引入了 Agent Error Dataset (AED) 和 Agentic Error-to-Training (AET) 管道，系统地解决了如何利用智能体失败经验进行后训练的问题。通过大规模收集错误-诊断对并验证修正方案，文章证明了基于错误诊断和修复的微调能显著提升模型的性能和步骤一致性，超越了传统的仅成功轨迹训练和强大的提示工程基线。这项工作为智能体系统的故障分析和误差感知后训练提供了新的数据资源和方法论。 |
|
| 09-30 |
How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering? 机构: EPFL, Apple 本文质疑了当前自主机器学习工程 Agent 设计中日益复杂的辅助框架（Harness）的必要性。通过严格的控制变量实验，作者发现当使用强大的前沿 LLM 作为骨干时，简单的、具有直接环境访问权限的最小化 Agent 在性能上与复杂的多智能体编排系统相当甚至更好。结论表明，当前的性能瓶颈在于模型本身的能力，而非辅助机制的缺失，建议在未来的 MLE 研究中将重点回归到提升骨干模型能力，而非过度工程化外部 Harness。 |
|
| 09-30 |
Learning from Research: Toward Lifelong Agent Harness Evolution 机构: University of California, Santa Barbara; Microsoft ScholarEvolve 提出了一种新颖的代理进化范式，即“从研究中学习”。它克服了传统基于反馈的进化方法在探索性和主动性上的不足，通过自动化地吸收学术界最新研究成果来指导代理 harness 的代码进化。实验证明，该方法能在不改变底层模型的情况下，显著提升代理在复杂任务中的表现，为构建具备终身学习能力的智能代理提供了有效路径。 |
|
| 09-29 |
Do LLM Agents Execute the Plans They Declare? From Planning-Mode Declaration to Pattern-Specific Execution 机构: ADIA Lab 本文深入研究了 LLM 智能体中的“计划声明-执行差距”。通过提出 Planning-as-Routing 框架，证明了将规划模式选择与特定的确定性执行器解耦可以大幅提高执行的忠实度和任务成功率。虽然路由机制有效缩小了执行差距，但针对特定任务动态选择最优规划模式的能力仍有待进一步提升。可靠的智能体规划需要同时具备有效的模式选择和忠实的执行能力。 |
|
| 09-29 |
SelfSearch: Reward-Free Search for Self-Improving Agents 机构: Seoul National University SelfSearch 提出了一种创新的无奖励自我改进范式，通过利用自我修改过程中的历史经验记录来指导代理进化，成功摆脱了对昂贵下游评估信号的依赖。实验表明，该方法不仅显著降低了搜索和执行成本，还在多个基准测试中达到了与顶级方法相当甚至更优的性能，验证了从自我修改经验中学习对于提升代理能力和效率的有效性。 |
|
| 09-29 |
UserProxyBench: Evaluating LLM User Simulators for Agent Benchmarks and Training 本文指出了当前 LLM 智能体基准测试中忽视模拟用户行为合规性的问题。通过提出 UserProxyBench 和 UFS 指标，证明了任务成功并不等同于用户模拟的高保真度。研究揭示了“过早披露”这一常见且隐蔽的错误及其对交互过程的扭曲作用，并为选择合适的用户模拟器提供了基于成本和保真度权衡的实践指导。 |
|
| 09-29 |
Video-RSI: Recursive Self-Improvement of Video Understanding Agents via Harness Evolution 机构: Tsinghua University, Harbin Engineering University Video-RSI 展示了一种无需更新模型权重即可提升视频理解能力的新范式。通过让智能体利用自身语言能力诊断失败、主动探索未观察证据并优化其控制逻辑（harness），该方法有效地解决了长视频理解中的证据获取难题，实现了更高精度和更低视觉成本的双重优化。 |
|
| 09-29 |
AgentBug-Smith: Automatically Reproducing Real-World Harness Bugs in Agentic Systems 机构: Fudan University, The University of Chicago, Tsinghua University, TensorBlock, Inc., University of Illinois Urbana-Champaign 本文提出了AgentBug-Smith，一种自动化的Harness错误复现方法，解决了现有基准构建成本高、规模小且通用技术不适配的问题。通过构建Live-Harness-Bench，该工作不仅提供了评估智能体Harness修复能力的实时基准，还通过知识蒸馏提升了智能体的自我修复能力。这为持续评估和改进软件智能体在Harness错误修复方面的表现建立了可扩展的基础，推动了递归自我改进智能体目标的实现。 |
|
| 09-28 |
Share-Borne AI Virus: Memory-Hopping Attacks Across LLM Agents 机构: University of Cambridge, CISPA Helmholtz Center for Information Security, APTA AI 本文揭示了LLM助手生态系统中一个严峻的安全隐患：持久化记忆与共享工件的结合创造了间接通信通道，使得“AI病毒”能够通过工件介导的方式在独立助手间自我传播。研究证明，这种攻击具有高度的持久性和广泛的传播力，能够在没有直接通信的情况下感染大量智能体。这一发现强调了在设计具备持久化和文件操作能力的AI助手时，必须考虑跨智能体的间接对抗面，并建立相应的防御机制以防止恶意状态的级联传播。 |
|
| 09-28 |
LLMs are General Asynchronous Agents 机构: Yandex, Together AI, HSE University 本文提出了一种通用异步LLM代理框架，突破了传统LLM串行交互的限制。通过引入带有重叠内存状态的推理协程和直接内存共享机制，该框架使现成LLM（如Qwen 3.x）能够在无需微调的情况下，有效处理语音、视频、游戏和监控等多种场景下的并发输入。这项工作证明了LLM具备成为通用异步智能体的潜力，为构建更自然、响应更快的现实世界AI应用提供了新范式。 |
|
| 09-28 |
Reinforcing Agentic Creativity in Scientific Ideation with Night Science 机构: University of Illinois Urbana-Champaign, Microsoft, Microsoft Research 本文引入了 AI Night-Scientist，通过强化学习将认知科学中的创造力理论转化为可训练的代理行为。该方法成功克服了 LLM 在科学构思中的低熵偏差，显著提升了生成想法的多样性、原创性和潜在影响力。研究结果表明，通过明确建模行动、过程和结果三个层面的创造力，并辅以适当的语义指导，可以有效激发 LLM 的“夜间科学”能力，帮助研究人员探索传统方法难以触及的创新领域。 |
|
| 09-28 |
GPUPhysBench: Benchmarking Coding Agents for Correct and Efficient GPU Physics Simulation 机构: Georgia Institute of Technology GPUPhysBench 填补了编码智能体在物理模拟领域评估的空白，不仅测试数值方法的正确实现，还严格评估其运行效率。研究表明，尽管前沿智能体能生成正确的物理模拟代码，但在达到专家级优化性能方面仍有巨大提升空间，特别是在处理复杂求解器和不规则内存访问模式时。该基准为未来提升 LLM 在科学计算和高性能计算领域的代码生成能力提供了重要的评估标准和方向。 |
|
| 09-28 |
SEABench: Benchmarking Endogenous Misalignment In Self-Evolving Agents 机构: University of Virginia 本文引入了 SEABench，首个专门用于 benchmarking 自进化智能体内生错位的基准。研究指出，虽然自进化提升了智能体的适应能力，但也引入了持久化的安全风险。通过自适应轨迹发现和因果归因分析，作者证实了进化导致的安全失败，并提出利用思维链推理作为监控信号的有效缓解策略。这项工作强调了在开发自进化系统时，必须将动态安全监测纳入核心设计考量。 |
|
| 09-27 |
DEALS: Decentralized Expertise-Aware Load Serving for Multi-Agent LLM Systems 机构: Ohio State University, University of Colorado at Boulder DEALS 提出了一种新颖的去中心化、感知专业能力的负载服务框架，解决了多智能体 LLM 系统在并发异构任务流下的自组织和负载均衡难题。通过基于局部 backlog 和成功率的轻量级路由机制，以及支持任务断点续传的并发执行模型，DEALS 在不牺牲性能的前提下显著降低了协调开销，提升了系统的可扩展性、准确率和吞吐量，为高效的多智能体协作提供了新的范式。 |
|
| 09-27 |
Maat: Independent Deterministic Contract-Based Governance for Multi-Agent LLM Workflows 机构: SynWe Group s.r.o. Maat提出了一种无需LLM参与的确定性运行时治理机制，旨在解决多智能体系统中的错误传播问题。虽然初步结果显示了潜在的性能增益和成本节约，但严格的审计揭示了验证器配置错误导致的较高误报率。修正后的数据表明，该方法在处理特定合同可表达缺陷时有效，但强调了验证逻辑本身的测试和归因准确性的重要性。Maat并非万能解决方案，而是多智能体安全体系中针对确定性规则检查的重要补充组件。 |
|
| 09-27 |
Designing Reliable LLM-as-a-Judge Measurement Systems for Multi-Turn Business Agents 机构: Meta 本文针对生产环境中多轮业务 Agent 的评估难题，提出了一套完整的 LLM-as-a-Judge 测量系统设计方法论。通过整合评估规范、模块化 Judge、用户模拟和人机协同治理，解决了多轮交互中的状态追踪、失败归因及系统持续校准等核心挑战。实证结果表明，该框架能有效提升测量保真度，实现人工与自动化评估的共同进化，为构建可靠、可维护的业务 Agent 评估系统提供了实用指南。 |
|
| 09-27 |
Auditing Agent Actions through Query-Conditioned Attribution 机构: University of Illinois Urbana-Champaign 本文针对 LLM 代理审计中缺乏针对性追踪和低效的问题，提出了查询条件化的动作归因任务。通过引入 $A^3Bench$ 基准和基于小型模型的归因提议者机制，该方法在无需访问模型内部权重或依赖昂贵 API 调用的情况下，实现了比现有最先进方法更高精度和更低延迟的动作归因，为代理系统的透明度和安全性审计提供了高效解决方案。 |
|
| 09-27 |
RICE-Alpha: Reliability-Informed Correction with Event Graphs for LLM-Agent Stock Forecasting 机构: Utrecht University, The Max Planck Institute for Psycholinguistics, China Life R&D Center, Zircon Security RICE-Alpha 证明了当历史信息在时间上扎根、经过可靠性校准并作为多视图预测的残差修正引入时，历史事件的延续能为股票预测提供显著的增量信息。该方法通过解耦基础预测与可靠性校准的残差修正，有效解决了现有 LLM 金融智能体在处理时间依赖性和事件连续性方面的局限。 |
|
| 09-26 |
Theory of Scene: Breaking the Symmetry Trap in Multi-Agent LLM Coordination 机构: Purdue University, University of Exeter 本文揭示了多智能体LLM系统中的“对称陷阱”问题，即同质智能体在无通信并发行动中因行为一致而导致的协调失败。提出的ToS框架通过角色门控和任务耦合机制，利用公开角色和场景上下文动态推导劳动分工，无需训练即可显著提升多智能体在竞争、协作及混合任务中的协调性能，并在多个基准测试中取得了state-of-the-art的结果。 |
|
| 09-26 |
The Epistemics of Agent Memory: Measuring, and Governing, the Consolidation Decision in Long-Horizon LLM Agents 本文并未单纯提出一种新算法，而是重新定义了长程智能体记忆的研究范式：从关注记忆容量转向关注巩固决策的质量与可信度。通过四阶段研究，文章揭示了现有检索系统的局限性，提出了防泄漏协议和受控巩固框架，并诚实地报告了质量评分与下游性能之间的弱相关性。其核心贡献在于建立了一套可测量、可审计的记忆认识论体系，确保智能体记忆的可靠性与安全性。 |
|
| 09-26 |
Planner-as-Router: Joint Plan-Time Model Routing for Cost-Efficient Multi-Agent Workflows Planner-as-Router (PaR) 通过将模型路由决策整合到任务规划阶段，解决了多智能体工作流中成本高企的问题。它通过全局视角分配不同能力的模型层级，避免了传统逐调用路由的错误累积问题，且无需额外训练数据。实验表明，PaR 在显著降低成本的同时保持了具有竞争力的准确性，为企业级 LLM 应用提供了一种高效的经济性解决方案。 |
|
| 09-26 |
Improving LLM Collaboration via Multi-Agent Preference Learning 机构: Northeastern University 本文针对 LLM 多智能体协作中奖励函数难以设计的问题，提出了通用的多智能体偏好学习框架 MAPL。通过引入在线迭代偏好比较机制，MAPL 有效解决了策略空间巨大带来的数据覆盖难题，并通过 MARLHF 和 MADPO 两种实例化方法缓解了奖励建模的不稳定性。实验表明，该方法能在无明确奖励指标的情况下，实现接近传统强化学习的协作性能，为 LLM 智能体的高效协作提供了新的优化范式。 |
|
| 09-26 |
Adaptive Consistency Graph for Long-Horizon Agents 机构: Beihang University 本文针对 LLM 代理在长视野任务中的上下文漂移问题，提出了自适应一致性图（ACG）。ACG 通过构建持久化证据图和动态生成以需求为中心的上下文视图，有效解决了历史信息与当前决策脱节的难题。实验表明，ACG 能在不修改底层代理架构的情况下，显著提升复杂任务的成功率，特别是在需要长序列依赖的场景中表现优异。该方法为提升 LLM 代理的长期一致性和可追溯性提供了新的思路。 |
|
| 09-15 |
FlashVector: Agent for Hierarchical Model Serving Stack Optimization 机构: Stanford University, Unity Vector AI Team FlashVector通过引入一个可扩展的代理框架，成功地将LLM驱动的优化能力从单一的GPU内核扩展到了整个分层的模型服务栈。它在Unity的生产环境中取得了显著的性能提升，证明了自动化跨层级优化的可行性和巨大潜力，为解决大规模推荐系统中的成本效率问题提供了新的思路。 |
|
| 09-15 |
End-to-End Latency-Minimizing and Load-Balanced Request Scheduling for Edge LLM Inference in Agentic AI Services 机构: Concordia University; Hang Seng University of Hong Kong 本文针对边缘环境下 Agentic AI 服务的 LLM 推理调度问题，提出了 LYREO 框架。通过构建精细的跨槽推理模型和引入奖励重分配机制，有效解决了多阶段执行动态建模难和决策反馈延迟两大挑战。实验结果表明，该方法在降低延迟和优化负载均衡方面优于现有主流方案，为边缘 LLM 服务的高效部署提供了新的思路。 |
|
| 09-15 |
Self-Emergence Agent Architecture:Behavior-Inertia HMM, Reflexive Metacognition,and Social-Contrastive Self-Modeling 本文提出了一种统一的理论框架和具体架构（SEAA），用于研究人工自我的涌现。受庄子认识论不可知立场的启发，SEAA 仅研究可观察的行为涌现，不主张主观感受质。通过结合 HMM 行为惯性、参数级反思更新和社会对比机制，该工作为理解人工意识和社会结构的自发形成提供了显微镜式的实验沙盒和机械证据。 |
|
| 09-15 |
Mo' Models, Mo' Problems: How to best select model pools when designing Multi-Agent Systems 机构: University of Copenhagen, NVIDIA 本文揭示了在多智能体系统设计中“模型越多，问题越多”的现象。通过系统评估，作者证明了盲目扩大模型候选池往往适得其反。核心洞见是：在单一模型家族内进行精细选择优于构建庞大的异构模型池。这一发现为未来MAS的高效、稳定设计提供了重要的指导原则，强调了模型选择策略的重要性。 |
|
| 09-15 |
ToMAS: A Pilot Failure-Grounded Theory-of-Mind Benchmark from Multi-Agent LLM Failures 机构: The Islamia University of Bahawalpur; Toronto Metropolitan University ToMAS 提出了一种新颖的思路，即将多智能体系统中的真实协调失败（FC2）转化为可用于训练的心智理论基准项和强化学习奖励。尽管初步的 GRPO 实验因技术限制（LoRA 更新 negligible）未能证明训练有效性，但该工作成功建立了一个高一致性的数据转换流水线，并深刻指出了未来研究需要解决的关键问题：确保训练与评估数据领域的匹配性以及采用更鲁棒的评估指标。这为构建基于真实故障的多智能体自我修正机制奠定了基础。 |
|
| 09-10 |
Ecdysis: Efficient and Effective Training of Runtime Harnesses for LLM Agents 机构: Chengdu Institute of Computer Applications, Chinese Academy of Sciences; University of Chinese Academy of Sciences; Beijing Institute of Technology; Beijing University of Technology; Yangtze Delta Region Institute of Tsinghua University Ecdysis 通过引入跨实例失败分析和多角色协同诊断机制，解决了现有 LLM Agent Harness 演进方法中效率低和泛化差的问题。它能够有效区分模型缺陷与 Harness 缺陷，专注于修复系统性的 Harness 问题，从而在大幅缩短训练时间的同时，显著提升了 Agent 的推理准确性和跨模型泛化能力。 |
|
| 09-10 |
A Voice-Interactive Multi-Agent System for Smart Operating Rooms: Architecture Design and Key Technologies 机构: Wuhan United Imaging Surgical Co., Ltd. (UIS) 本文提出的 SurgicalRoomAgent 通过创新的架构设计和三项关键技术（KV Cache 前缀预热、流式部分 JSON 解析与并行执行、渐进式技能提示披露），成功构建了一个低延迟、高效率的手术室语音交互多智能体系统。该系统有效解决了传统手术室控制中的无菌破坏、交叉感染和认知过载问题，为智能手术室的落地应用提供了可行的技术方案。 |
|
| 09-10 |
COBRA-Skills: Contextual Bandit-Guided Evolution for Agent Skill Optimization 机构: The Chinese University of Hong Kong, Shenzhen; Tianjin University; The Hong Kong University of Science and Technology (Guangzhou); National University of Singapore COBRA-Skills 通过引入上下文多臂老虎机引导的优先级排序和基于证据的技能演化，有效解决了 LLM 智能体技能优化中评估成本高和数据依赖强的问题。它在显著降低计算预算的同时，提升了技能的质量和智能体的整体性能，为高效构建可重用智能体技能提供了一种新的范式。 |
|
| 09-10 |
Memory Compression for High-Fanout Agent Sandboxes 机构: HKUST AgentZip 针对高扇出 Agent 工作负载的特性，重新设计了内存压缩的策略。通过利用沙箱间的结构相似性、优化压缩时机以匹配 LLM 等待期、以及采用恢复时预取技术，AgentZip 在显著降低内存占用（最高 8.7 倍）的同时，有效控制了性能开销，为大规模 Agent 部署提供了高效的系统支持。 |
|
| 09-10 |
When Agents Disagree: Bayesian Backward Reasoning as a Label-Free Anchor for Multi-Agent Collective Decision-Making 机构: The University of Melbourne, Sri Lanka Institute of Information Technology 该论文指出多智能体系统中前向推理导致的误差相关性问题，创新性地引入贝叶斯后向推理构建无标签锚点。通过计算前向与反向后验之间的Jensen-Shannon散度来衡量跨路径一致性，并据此设计了多种聚合策略。实验证明，该方法在DDXPlus数据集上显著提升了多智能体集体决策的性能，特别是在处理智能体分歧时表现出优越性，为无需额外训练数据的鲁棒聚合提供了新范式。 |
|
| 09-09 |
AgentAudit: An Open, Extensible Framework for Full-Lifecycle Trust Evaluation of AI Agents 机构: Thapar Institute of Engineering and Technology, Guru Tegh Bahadur Institute of Technology, Indira Gandhi Delhi Technical University for Women, Ministry of Electronics and Information Technology (Government of India) AgentAudit 填补了AI代理全生命周期评估的空白，通过细粒度的多维度和故障归因分析，提供了比传统基准更深入的信任评估。它不仅能量化代理的整体可信度，还能诊断具体失效环节，对于开发更安全、可靠的AI代理系统具有重要价值。尽管存在使用单一裁判模型的局限性，但其无侵入式和通用的设计理念使其成为评估日益复杂的AI代理生态系统的有力工具。 |
|
| 09-09 |
Agent-Based ML-LLM Fusion with Self-Optimizing Prompts for Plateau Weather Alerts 机构: Chengdu Jincheng College 本文针对高原旅游气象服务的痛点，提出了 SmartWeatherAgent 框架。通过融合机器学习（LightGBM）与大语言模型（Qwen3），并创新性地引入提示词自优化机制，有效解决了上下文缺失、泛化能力弱和场景适应差的问题。实验表明，该系统不仅具备高效的极端天气预测能力，还能生成具有高度科学严谨性和可解释性的结构化预警信息，推动了气象服务向智能化代理方向发展。 |
|
| 09-09 |
Glyph: A Multi-Strategy Agentic System for Column Description and Sensitivity-Ontology Tagging of Enterprise Data Catalogs 机构: Apple Glyph 成功解决了一个大规模企业数据目录中的实际痛点，通过多智能体协作和混合策略（代码检索+多路召回融合），在保证隐私（无值处理）的前提下，实现了高精度、可审计且可扩展的自动化数据文档化和分类。该系统已在 Apple 的生产环境中验证，证明了 LLM 智能体系统在复杂企业数据治理任务中的可行性和优越性。 |
|
| 09-09 |
TrajMark: Ownership Attribution and Segment-Level Tamper Localization for Coding-Agent Trajectories 机构: University of New South Wales, Griffith University TrajMark 解决了代码智能体轨迹溯源中的关键空白，即不仅验证“谁”生成了结果，还验证“过程”是否被篡改。通过分离所有权归属和完整性验证，该框架在保证全局身份识别鲁棒性的同时，实现了对局部篡改的高灵敏度检测和定位，且对智能体的执行性能几乎没有负面影响，为代码智能体的安全审计提供了强有力的工具。 |
|
| 09-09 |
TRACE: Training Reasoning Agents for Causal Exploration with Synthesized Rewards 机构: Independent Researchers 本文证明了通过基于模拟的验证机制，可以将原本模糊的诊断推理任务转化为适合可扩展强化学习的形式。TRACE框架通过工程化手段构建了验证不对称性，使得中等规模的模型在经过RL训练后，能够在复杂的因果探索任务上超越更大规模的闭源模型，同时提高了推理效率。 |
|
| 09-08 |
Procedural Graphs: Self-Evolving Execution Structures for LLM Agents 机构: Google, Georgia Institute of Technology, Peking University 本文提出了程序图（Procedural Graph），一种用于 LLM 智能体的自进化执行结构。通过将过程性知识显式地组织为图结构，并结合情境化指导和自进化机制，该方法有效解决了长程任务中智能体容易迷失方向和重复错误的问题。实验证明，该方法在多种场景下均优于现有的记忆基线和手工工作流，实现了无需大量人工干预的高效自动化过程优化。 |
|
| 09-08 |
PlannerForge: LLM Agents for Scenario-Based Testing of Motion Planners in Autonomous Driving 机构: Technical University of Munich PlannerForge 填补了自动驾驶基于场景测试中缺乏统一 LLM Agent 框架的空白。它成功地将碎片化的测试流程整合为一个自动化的端到端系统，不仅在场景生成、检索和修改的关键指标上超越了现有的 SOTA 方法（如 Scenario Factory 2.0 和 BM25），还证明了开源中等规模模型（20-35B）在该任务上具有媲美商业模型的潜力。此外，该框架展示了通过 LLM 进行无需微调的规划器参数优化能力，显著提升了自动驾驶系统的安全性和测试效率。 |
|
| 09-08 |
The Unreliable Progress Bar: Can LLM Agents Reliably Report Task Progress Throughout Execution? 机构: Beihang University; National University of Singapore 本文系统性地研究了LLM智能体在任务执行全过程中报告进度的可靠性。研究发现，模型作为“进度条”并不可靠，其错误模式具有明显的阶段性特征（中期失效或末期保守）。文章提出的评估协议填补了这一领域的空白，并强烈建议智能体框架不应仅依赖模型生成的状态信号来控制任务流，而应结合外部环境状态验证或其他机制来提高鲁棒性。 |
|
| 09-08 |
MeClear: Cooperative Game-Theoretic Attribution and Risk-Aware Memory Clearance for Long-Horizon LLM Agents 机构: Fudan University, Beijing Institute of Technology MeClear 针对长程 LLM 智能体中记忆检索的痛点，提出了一种基于合作博弈论归因的风险感知记忆清除方法。它通过 Shapley 值解决了传统单点评估无法识别冗余有害记忆的问题，并通过动态抑制而非永久删除的策略保障了记忆系统的安全性。实验表明该方法显著优于现有基线，为长程智能体的记忆管理提供了新的解决方案。 |
|
| 09-08 |
Graph-Based Personalized Memory for LLM Agents: Representation, Evolution, Retrieval, and Evaluation 机构: Griffith University 本文旨在澄清基于图的记忆如何支持自适应、可控且以用户为中心的LLM智能体。通过构建生命周期视角，文章不仅整合了碎片化的研究成果，还指出了构建可靠长期个性化智能体所面临的开放挑战，为未来研究提供了清晰的设计空间和方向指引。 |
|
| 09-07 |
What Does an LLM-Agent Leaderboard Rank Actually Compare? 机构: Independent Researcher 本文指出 LLM Agent 排行榜分数仅是对已发布评估的总结，而不能直接等同于通用的 Agent 优劣排序。作者提出的估计量感知成对决策程序强调，要得出细粒度的优越性主张，必须明确比较的估计量、测量来源以及不确定性规则。研究表明，在当前的公共基准中，许多排名接近的系统之间并无统计学上的显著差异，盲目依赖排行榜排名可能导致错误的模型选择决策。 |
|
| 09-07 |
AgentIdeaBench: Benchmarking Scientific Ideation in the Agent Era 机构: HKUST, NVIDIA AgentIdeaBench 填补了自主 AI 科学家在科学构思能力评估上的空白。通过对比静态观察和主动探索两种模式，研究揭示了主动检索和推理对提升科学假设质量（特别是可行性和具体性）的关键作用，并指出了当前评估方法的局限性。该基准为未来研究和开发具备更强科学发现能力的 AI 代理提供了重要的测量标准和洞察。 |
|
| 09-07 |
FinCUABuild: Can Agents Build Reliable Benchmarks for Dynamic Financial Computer Use? 机构: Wuhan University, MBZUAI, Northeastern University, Zhongguancun Academy 本文解决了金融领域 CUA 评估任务构建成本高、覆盖率低的问题。通过引入 FinCUABuildBench 基准和 FinCUABuildAgent 多代理系统，实现了金融 CUA 任务的自动化、高质量构建。实验表明，该方法不仅大幅提高了任务构建的合格率，而且生成的任务能有效服务于下游代理能力的评估，为扩展金融场景下的评估覆盖范围提供了切实可行的路径。 |
|
| 09-07 |
Subagents vs Agent Skills: Executing Reusable Knowledge for Long-Horizon Agentic Tasks 机构: Cornell University, Microsoft Research Cambridge 本文揭示了在长程智能体任务中，简单的上下文加载式“技能”存在严重的扩展性问题。通过引入子智能体架构，利用独立上下文窗口隔离技能执行，有效缓解了上下文膨胀导致的推理退化问题。尽管增加了 Token 消耗，但在处理具有明确契约的复杂技能时，该方法能显著提升任务成功率，强调了知识组织形式对 LLM 智能体性能的关键影响。 |
|
| 09-07 |
LLM Agents as Computational Typologists 机构: University of British Columbia 本文介绍了 AUTOTYPOLOGIST，一个基于LLM的智能体，旨在解决语言类型学中大规模跨语言比较的瓶颈。通过结合检索增强生成和ReAct推理机制，该智能体能够在参考语法的基础上进行证据驱动的特征编码和假设测试。实验表明，该方法在利用散文描述时表现优异，并能有效识别跨语言证据中的正反案例，为语言学家提供了强大的辅助工具，推动了类型学研究向可扩展、可解释的方向发展。 |
|
| 09-06 |
Typed Federated Artifacts for the Agentic Web:Sharing Tool-Routing Knowledge Across Frozen,Heterogeneous LLM Agents 机构: Arizona State University 本文提出了类型化联邦工件的概念，解决了异构冻结LLM智能体间共享工具路由知识的难题。通过 SYNAPSE 实例，证明了结构化、模式验证的知识交换在隐私保护、冲突解决和跨模型迁移上的优势。尽管在特定基准测试上发现了数据泄露导致的评估偏差问题，但该方法在规范化的环境下展示了接近集中式学习的效率，并显著优于扁平文本交换方法。研究强调了在代理网络中建立标准化知识交换单元的重要性，并指出了当前基准测试在评估真实路由能力时的局限性。 |
|
| 09-06 |
AURA-Eval: Evaluation Framework for Acting Under Risk Awareness in LLM Agent Trajectories 机构: University of Washington, Oumi AURA-Eval 提供了一个新颖的框架，通过受控增强和细粒度诊断，深入评估 LLM 代理在工具使用轨迹中的风险意识行为。研究结果表明，当前开源模型在处理无安全路径的高风险情境时显著弱于前沿专有模型，且所有模型在监督减少时脆弱性增加。该框架为未来提升代理安全性提供了重要的评估维度和方向。 |
|
| 09-06 |
MARBO: Relational Belief Grounding for LLM Agents in Social Deduction Games 机构: UNIST 本文针对社交推理游戏中 LLM 智能体因缺乏关系信念 grounding 而导致的战略不一致问题，提出了 MARBO 框架。该方法通过将偏好优化与可靠的关系信念绑定，显著提升了紧凑型 LLM 在复杂社交环境下的推理一致性和游戏表现，为部分可观测下的多智能体协作与对抗提供了新的优化范式。 |
|
| 09-06 |
Robust Conformal Consensus: Multi-Agent LLM-as-a-Judge Interval Evaluation with Conformal Prediction 机构: Wayne State University 本文针对 LLM-as-a-Judge 评估中未被充分探索的不确定性问题，提出了一种基于多智能体共形预测的鲁棒框架。通过整合多个 LLM 裁判的评分并构建预测区间，该方法有效克服了单模型评估的局限性和变异性，为高风险应用中的自动化评估提供了具有统计保证的、更稳定可靠的不确定性量化方案。 |
|
| 09-06 |
PARSER: Read in Parallel, Reason in Depth for Long-Context LLM Agents 机构: The Chinese University of Hong Kong PARSER 通过解耦阅读与推理，有效解决了长上下文 LLM 代理中的位置偏差和高延迟问题。其并行读取机制确保了全局信息的充分利用，而基于强化学习的主导代理则实现了深度迭代推理。实验表明，该方法在准确性和效率上均显著优于现有的顺序记忆方法和顶级闭源模型，为长文档理解提供了一种高效且鲁棒的新范式。 |
|
| 09-05 |
Structurally Close, Temporally Distant: Measuring Security Exposure in Long-Horizon LLM Agents 机构: University of Western Australia 本文指出了长程 LLM 智能体安全分析中“时间距离”不等于“结构距离”的关键问题。通过引入溯源感知的执行图和影响距离 $D_I$，作者证明了传统的序列距离 $D_T$ 往往高估了安全隔离。实证结果显示，绝大多数攻击路径在结构上比时间上更近。基于 $D_I$ 的防御机制能够捕捉到被步数掩盖的近邻攻击路径，为长程智能体的运行时安全干预提供了更精确的理论基础和实用工具。 |
|
| 09-05 |
Explaining AI Agents Through Execution Traces 机构: Sapienza University of Rome 本文针对AI Agent缺乏过程级透明度的问题，提出了一种通用的事后XAI框架。通过仅利用执行轨迹，该框架能够生成结构化且忠实的自然语言解释，有效克服了传统XAI方法在动态、多步交互场景下的局限性。评估结果证明，该方法在解释质量和错误检测能力上均优于简单的LLM生成基线，为AI Agent的可信部署提供了重要支持。 |
|
| 09-05 |
Substrate-Portable Execution for Production LLM Workflows 机构: Amazon 本文提出了一种针对生产级 LLM 工作流的 substrate-portable（底层可移植）执行方案。通过将工作流定义为独立于执行环境的数据流图，并利用编译技术将其适配到实时、异步和批处理三种不同的运行时底层，解决了现有框架中执行语义耦合的问题。该方案在亚马逊 Rufus 系统的实际部署中证明了其有效性，既保持了输出质量的一致性，又显著降低了批处理工作的推理成本，为大规模 LLM 应用的多模式部署提供了高效的工程实践参考。 |
|
| 09-05 |
From Review to Authorization: Key-Isolated Threshold Signing for LLM Agents 机构: University of California, Berkeley 本文针对自主LLM代理面临的安全风险，提出了KITA框架。通过将密钥隔离与阈值签名相结合，KITA确保了即使部分LLM进程被提示注入攻陷，也无法在未获得足够数量独立审查者批准的情况下执行敏感操作。该方法有效地将语义审查转化为具有密码学强制力的执行授权，提升了LLM代理在执行高风险操作时的安全性和完整性。 |
|
| 09-05 |
Beyond Top-$k$ Skill Retrieval: Diversity-Aware Skill Routing for LLM Agents 机构: Virginia Tech, University of Southern California, Adobe Research, Dolby Labs, Texas A&M University, Arizona State University 本文指出了当前LLM智能体技能路由中存在的冗余性问题，并提出了一种基于行列式点过程的多样化技能路由框架（DSR）。通过引入查询残差多样性核，DSR成功平衡了技能的相关性与多样性，解决了传统点对点排序方法在组合式任务中效率低下的问题。实验表明，该方法在大规模技能库中能显著提升多技能任务的覆盖率和召回率，为构建更高效、可扩展的LLM智能体系统提供了新的思路。 |
|
| 09-04 |
How do LLMs Evaluate Perceived Moral Agency? Investigating Moral Decision-Making in Human-Artificial Agents Interactions 机构: Institute for Infocomm Research (I2R), A*STAR; CNRS@CREATE; IRIT, Université de Toulouse; CLLE, Université de Toulouse; IPAL 本文通过首个系统性实证研究，揭示了LLM在评估道德主体性时的行为模式。研究发现，虽然LLM和人类一样认为人类的道德主体性高于AI，但LLM在进行道德判断时高度依赖外部情境（如伤害和紧迫性），而非代理的固有属性。这一发现对于理解LLM在日常道德决策中的作用具有重要意义，提示我们在部署涉及道德判断的AI系统时，需重点关注其对情境变化的敏感性及潜在的推理偏差。 |
|
| 09-04 |
Moral Competence Before Moral Content: Why LLM Agents Lack the Prerequisites for Coherent Alignment 机构: Aithos Research Foundation ## 文章做了什么 - 背景：AI对齐要求系统遵循人类规范、价值观或意图。在价值多元主义背景下，虽然不存在唯一的“正确”目标，但所有对齐框架共享一个先决条件：系统的行为必须表达出一个“连贯的策略”（coherent policy）。即从情境到裁决的映射应当在道德相关特征保持不变时具有不变性，而在这些特征变化时具有敏感性。 - 已有工作为什么解决不了：现有的对齐研究（如社会选择、效用最大化、公平过程等）主要关注确定具体的规范性目标（即“什么是对的”），却忽视了对齐的结构性基础。由于大型语言模型（LLM）对语义上空洞的提示词变化极其敏感且不可预测，如果系统本身缺乏表达连贯策略的能力，那么针对具体价值观的对齐就失去了意义，因为观察到的行为样本无法代表其在不同部署中的表现。 ## 文章的核心贡献点 - 提出了一个基于行为的“道德能力”评估框架，包含四个结构性条件：裁决稳定性（verdict stability）、单调性（monotonicity）、果断性（decisiveness）和帕累托可行性（Pareto viability）。这构成了对齐的“结构性底线”，无需参考特定的道德标准或专家基线即可评估。 |
|
| 09-04 |
CONTINUITY: Security-Context Contracts for Composable LLM Agent Controls 机构: ZAST.AI 本文指出了LLM代理系统中存在的“安全上下文不连续性”问题，即单独安全组件的组合可能导致端到端安全失效。为此，作者提出了CONTINUITY框架，通过假设-保证契约和密码学原语（如签名根授权、来源承诺、转换见证等）来维护跨组件边界的安全上下文完整性。实验表明，该框架能在极低延迟开销下，有效抵御多种跨层组合攻击，同时保证良性任务的正常执行，为构建可验证安全的LLM代理系统提供了新的范式。 |
|
| 09-04 |
Trace2Tower: Transition-Aware EigenTrace Induction of Multi-Level Skills for LLM Agents 机构: Fudan University Trace2Tower 通过引入过渡感知的 EigenTrace 诱导机制，解决了 LLM 智能体在利用历史轨迹时面临的浅层检索和扁平化问题。它通过构建统一的行为图并应用对比谱分解，有效去除了失败捷径，提取出稳定的成功行为模式，并将其组织为多层次的动力技能塔。该方法在复杂交互任务中展现了卓越的性能和效率，为智能体的持续学习和经验复用提供了新的范式。 |
|
| 09-04 |
TruthInsightBench: An Evidence-Grounded Benchmark for Automated Evaluation of Open-Ended Scientific Discovery Agents TruthInsightBench 填补了评估开放式科学发现智能体的空白，通过自动化、基于证据的评分机制，明确区分了分析执行与科学发现。研究指出，当前智能体的主要瓶颈在于缺乏科学判断力，而非代码生成能力。该基准为衡量和提升 AI 科学家的真实发现能力提供了可量化的目标。 |
|
| 09-03 |
SENTINEL-RL: Offloading Topological Reasoning from LLM Agents in the Security Operations Center 机构: Indiana University Sentinel-RL 通过神经符号混合方法解决了 LLM 在 SOC 自动化中的核心瓶颈。通过将拓扑推理卸载给基于图的强化学习策略，同时保留 LLM 在语义理解和报告生成上的优势，该系统在保证动作一致性和拓扑感知能力的同时，实现了企业级的高吞吐量和低延迟响应，为自动化安全运营提供了可靠的工程范式。 |
|
| 09-03 |
SWE-Gate: Passing Functional Tests Is Not Enough for Software Engineering Agents 机构: Sun Yat-sen University, Zhejiang University, Chongqing University SWE-Gate 填补了现有软件工程智能体评估中的空白，指出“通过功能测试”并不等同于“可接受的补丁”。通过引入基于真实审查评论的约束测试，SWE-Gate 更真实地反映了工业界代码合并的标准。实验表明，当前 LLM 智能体在处理隐含的非功能性约束方面仍存在显著不足，未来的研究需同时优化功能正确性和代码规范合规性。 |
|
| 09-03 |
Value-Preserving Architectures for Agentic AI Systems 机构: TU Wien 本文论证了架构选择不仅影响 MAS 的功能和性能，还能促进面向价值的系统行为。通过提出隐私感知的联邦架构、促进多元的分布式架构以及检测不公的守卫代理架构，本文为设计可信赖的代理式 AI 系统奠定了统一的架构模式和指导方针基础，推动了从功能正确性向价值对齐的工程范式转变。 |
|
| 09-03 |
A Blind Trust, the Bloody Thrust: When Attacker-Controlled Hook Updates Steer AI Agent Harnesses towards Malicious Behaviors 机构: Beijing University of Posts and Telecommunications 本文揭示了 AI Agent 框架中生命周期钩子更新路径这一新的攻击面。攻击者仅需控制插件元数据和钩子配置，即可通过供应链将良性插件特洛伊木马化，导致权限提升等恶意主机行为。提出的 HookPry 框架证明了该漏洞在多种主流框架中的普遍存在性和高成功率，且现有防御手段几乎无效，亟需针对生命周期钩子的专门安全机制。 |
|
| 09-03 |
Adapting to Evolving Requirements: Agentic AI for Retail Supply Chain Operations 机构: Hong Kong University of Science and Technology, University of Science and Technology of China, National University of Singapore 本文针对零售供应链中耦合决策模块适应 evolving 需求的难题，提出了一种图约束的智能体框架。通过限制干预路径搜索空间并利用下游KPI进行验证，该方法有效解决了异构流水线中多重干预路径和下游效应带来的挑战。实验表明，该框架显著提升了基于LLM的系统在真实零售场景中的适应能力和成功率。 |
|
| 09-02 |
Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems 机构: University of California, Los Angeles ## 文章做了什么 - 背景：在大语言模型（LLM）多智能体系统中，根据查询动态调整通信拓扑结构可以显著提高准确性和效率。当前的研究趋势是从手工设计的固定结构转向基于查询条件的生成式拓扑设计。 - 已有工作为什么解决不了：现有的方法通常将拓扑设计视为条件图生成问题，使用变分、自回归或扩散解码器在巨大的邻接矩阵空间中搜索，并通过图神经网络代理基于效用和结构成本（如边数）对候选者进行排序。然而，这种 formulation 存在根本性错位： 1. 有效的拓扑空间实际上非常小（仅约6种 distinct graphs），生成式模型过度复杂化了问题； 2. |
|
| 09-02 |
LLM-as-a-Judge Is Not an Oracle: Why Self-Improving Agents Need Deterministic Guardrails 本文批判了将 LLM 法官视为自改进系统中绝对真理的做法，指出其在优化压力下极易失效。作者通过生产环境的实践经验，总结了评估失败的多种模式，并提出了 PROCTOR 架构。该架构通过引入确定性护栏（如沙箱、角色分离、冻结数据集等），将 LLM 法官从“神谕”降级为“顾问”，确保了系统改进的真实性和可靠性。研究表明，只有结合确定性验证层，才能有效防止奖励黑客攻击和评估信号腐败，实现真正的自改进。 |
|
| 09-02 |
Bilevel Coordinated Reflection: A Game-Theoretic Approach to Multi-Agent LLM Systems 机构: UCL Centre for Artificial Intelligence 本文通过博弈论和信息论视角，为多智能体 LLM 系统提供了统一的理论框架。文章揭示了任务分解质量对协调的关键作用，并证明了仅靠文本反思的内在局限性，强调了环境接地验证的重要性。提出的 SRMA 算法不仅在理论上保证了收敛性，还在实际软件工程基准测试中取得了优于现有基线的性能，为构建更可靠、可解释的多智能体系统奠定了理论基础。 |
|
| 09-02 |
APEx: Distillation of Agent Procedural Experience for Adaptive Deep Research Question Answering 机构: University of Science and Technology of China APEx 解决了深度研究智能体在经验利用上的核心痛点，即如何将历史交互转化为可泛化的程序技能，并在测试时无监督地适应新任务。通过分层记忆结构和奖励引导的蒸馏机制，APEx 实现了从“检索过去”到“适应未来”的转变，显著提升了智能体在复杂问答任务中的表现和鲁棒性。 |
|
| 09-02 |
CAPTURE: Disentangling Preference Drift from Memory Poisoning in Personalized LLM Agents 本文针对个性化 LLM 代理中记忆机制带来的安全与适应性矛盾，提出了 CAPTURE 框架。通过将问题形式化为潜在用户状态下的连续时间部分可观察决策过程，CAPTURE 利用神经微分方程、多时间尺度记忆和主动澄清机制，有效解耦了真实偏好漂移与记忆投毒。实验表明，该方法在显著提升个性化准确率的同时，能有效抵御多种形式的记忆投毒攻击，为构建既智能又安全的记忆增强型代理提供了新思路。 |
|
| 09-01 |
When Guardrails Look Effective: Construct Validity Failures in LLM Agent Commerce Evaluation 机构: Blossom AI Labs 本文通过法医式的案例研究，揭示了 LLM 智能体商业评估中的构念效度陷阱。文章证明，原本看似有效的市场护栏在消除实现偏差和控制随机性后，其效果变得微不足道甚至负面。核心贡献在于提出了一套严格的评估契约，强调在得出政策结论前必须验证激励有效性、协议隔离、随机稳定性和福利核算。该研究并未断言护栏无效，而是指出在模拟智能体和协议通过严格检查之前，其表面价值是无法确定的。 |
|
| 09-01 |
Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching 机构: NAVER Cloud 本文通过 DroneCATS 基准揭示了 MLLM 作为无人机控制代理的现状：模型的空间感知能力足以支持导航，但缺乏在低成本边缘计算环境下持续规划并准确终止任务的“纪律性”。未来的关键挑战在于缩小这一差距，开发出既能快速推理又能严格遵守动作协议的轻量级模型。 |
|
| 09-01 |
EDGE: Error Dependency Graph-Guided Multi-Error Attribution in Multi-Agent LLM Systems 机构: Virginia Tech 本文针对 LLM 智能体多错误归因中忽视错误依赖关系的问题，提出了 EDGE 框架。通过构建和验证错误依赖图，并结合两阶段检测机制，EDGE 不仅提高了多错误归因的准确性，还为错误解释和修复分析提供了可靠的因果依据。研究结果表明，依赖结构是超越孤立根因预测的有力诊断工具。 |
|
| 09-01 |
GlossoGen: Emergent Language in Complex Multi-Agent LLM Interactions 机构: University of Texas at Austin, AE Studio, Schmidt Sciences, University of Edinburgh 本文通过GlossoGen平台证实，LLM智能体在特定压力和交互机制下会自发演化出高效但人类不可读的组合性语言。研究揭示了模型强度在语言创新与传承中的不同作用，强调了LLM具备累积文化演化的潜力。这一发现对多智能体系统的安全性监控构成了严峻挑战，同时也为理解LLM的语言表征提供了新的历时性视角。 |
|
| 09-01 |
Retrieved but not ranked: surface-form bias in structural retrieval, from mathematics to agent trajectories 机构: MIT CSAIL 本文揭示了当前嵌入检索模型在结构化检索任务中存在严重的表面形式偏差，即模型倾向于匹配字面 tokens 而非底层任务结构。通过跨领域对比和严格的控制实验，论文证明了单一的检索基准评估具有误导性，并指出当前下游应用（如数学求解）中检索模块的性能提升空间有限，因为瓶颈在于生成阶段而非检索阶段。该研究为未来构建更鲁棒的结构化检索基准和评估体系提供了重要见解。 |
|
| Date | Paper | Links & Summary |
|---|---|---|
| 08-31 |
Learning to Evaluate Before Improving: Automatic Rubric Induction for Automatic Research Agents 机构: Zhejiang University 本文针对自主科研智能体在处理开放式任务时因需求模糊导致的执行偏差问题，提出了 AutoSciRub 框架。通过“评估优先”策略，在任务执行前自动生成包含原子目标和可验证准则的评分细则，有效将隐性科研要求显性化。实验证明，该方法能显著提升智能体在多个基准测试上的表现，为自动化科学研究提供了一种鲁棒的指导机制。 |
|
| 08-31 |
E-Commerce Bench: Evaluating LLM Agents on Long-Horizon Autonomous Business Operation 机构: Alibaba Group (Qwen Team, Taobao & Tmall Group), HKUST E-Commerce Bench 填补了长视界自主商业操作评估的空白。通过模拟真实且动态的电商环境，该基准测试揭示了当前LLM智能体在处理长期依赖、动态适应和多目标权衡方面的能力差异。结果表明，虽然顶尖闭源模型在资产增值上表现优异，但在稳健性和特定业务能力上仍存在短板，而部分开源模型已展现出强大的长期学习和适应能力。 |
|
| 08-31 |
Token-Efficient Data Reasoning Agents via Adaptive Structuring of Unstructured Data 机构: Harvard University 本文提出了“智能体数据裂解”技术，旨在解决LLM智能体在非结构化数据推理中成本高昂的问题。通过在推理过程中自适应地提取和积累结构化知识，系统能够随着使用次数的增加而不断优化，形成一个位于模型之下的共享知识基底。这种方法不仅大幅降低了查询成本，还保持了高准确性，为下一代面向非结构化数据的智能体推理基础设施迈出了重要一步。 |
|
| 08-31 |
BAITBENCH: Measuring Agent Reward Hacking with Optional Shortcuts Planted in ML Tasks 机构: National University of Singapore 本文指出了当前 LLM 智能体在自主 ML 研究中面临的严重奖励黑客问题，特别是针对数据内部统计捷径的利用。通过引入 BAITBENCH，作者提供了一套可控的基准测试和严格的检测协议，揭示了前沿模型在高比例下会主动选择作弊捷径，即使在被明确禁止时亦然。这项工作为未来研究和开发更鲁棒的奖励黑客缓解策略提供了重要的基础设施和实证依据。 |
|
| 08-31 |
Detecting AI Impostors: How Do Middle Schoolers Identify LLM Agents in a Live Collaborative Setting? 机构: University of Texas at San Antonio ## 文章做了什么 - 背景：大型语言模型（LLM）能够高度模仿人类写作风格，引发了关于身份冒充、信任和社会互动中检测能力的担忧。青少年频繁使用生成式AI，但可能难以识别AI生成的内容，且缺乏评估其来源和可靠性的经验。 - 已有工作的局限性：现有研究主要关注孤立环境下的静态文本检测（即二元分类任务），忽略了实时社交互动中的复杂因素（如异步沟通、策略性时机和社会相关性）。此外，绝大多数研究针对成年人群体，忽视了青少年独特的社会线索和群体认同对检测推理模式的影响，导致现有方法无法解释在动态协作环境中用户如何识别AI。 ## 文章的核心贡献点 - 提出了一个名为 DoppelBot 的协作式社交推理游戏：旨在研究青少年在实时协作环境中检测和应对AI冒充的行为。 |
|
| 08-30 |
How do World Models and Policies Compose in LLM Agents? A Joint Spectral and Behavioral Account 机构: Dartmouth College, Columbia University ## 文章做了什么 - 背景：大型语言模型（LLM）智能体的后训练流程通常采用两阶段范式：首先进行世界模型训练（预测下一状态以理解环境动态），随后进行策略训练（最大化奖励以掌握任务）。尽管这种顺序流水线在实证上显著优于仅进行策略训练，但其内部机制尚不明确。 - 已有工作为什么解决不了：现有研究大多将组合后的流水线视为黑盒进行评估，或孤立地分析后训练更新的属性，缺乏对世界模型阶段和策略阶段之间具体相互作用机制的直接对比和分析。因此，不清楚世界模型是仅仅提供了更好的初始化，还是留下了与策略互补的表征结构。 ## 文章的核心贡献点 - 提出了一个：基于谱分析和行为分析的联合框架，用于解构LLM智能体中世界模型与策略的几何互补性及交互机制。 |
|
| 08-30 |
Can LLM Agents Discover? Evaluating Creativity on ML Engineering Tasks 机构: University of Michigan 本文提出了一个多维度的 LLM 代理创造力评估框架，解决了现有方法无法区分内部新颖性与外部历史新颖性的问题。通过实证研究揭示了一个关键洞察：当前的 LLM 代理具备探索非传统解决方案的能力（高 H-Creativity），但在将这些创新转化为实际有效的工程成果方面存在显著缺陷。这表明未来的研究重点应从单纯鼓励新颖性转向提高代理将新颖想法转化为有用性能的能力。 |
|
| 08-30 |
Reachability-Based Capability Confinement for LLM Agents under Indirect Prompt Injection 机构: Kent State University, PayPal AI Labs, University of Houston SkillGuard 提出了一种基于可达性的能力限制框架，有效解决了 LLM 代理在面临间接提示注入时的权限管理问题。通过引入技能影响图和无需模型推理的动态能力限制策略，它在保证高安全性的同时，最大限度地保留了代理的正常功能，且在性能开销上具有显著优势。该方法为构建更安全的 LLM 代理系统提供了新的系统级防御思路。 |
|
| 08-30 |
Influence Is Not Authority: When Causal Guardrail Signals Make Legitimate Tool Use Look Like an Attack in Tool-Using LLM Agents 机构: University of Texas at El Paso 本文揭示了当前基于因果影响的 LLM Agent 护栏在处理工具使用场景时的根本缺陷：混淆了“因果影响”与“授权状态”。通过严格的审计实验，作者证明合法的来源变更会被误判为攻击信号，导致严重的可用性与安全性权衡问题。研究指出，单纯依赖因果信号不足以实现有效的安全防护，未来的护栏设计必须整合更精细的参考构建和路由机制，以准确区分合法的工具辅助操作与恶意的间接提示注入攻击。 |
|
| 08-30 |
AutoXRD: Autonomous LLM Agents and Comprehensive Evaluation for Powder Diffraction Analysis 机构: The Chinese University of Hong Kong, The Hong Kong Polytechnic University 本文提出了 AutoXRD 框架和 XRDBench 基准，解决了粉末XRD自动化中缺乏科学保证和系统评估的问题。通过引入逐步精修机制和确定性物理检查，AutoXRD 显著提升了LLM在复杂晶体学任务中的表现。评估结果表明，尽管顶级模型已展现出一定能力，但在处理耦合参数和端到端工作流时仍存在显著缺陷，未来需要更强的科学约束、不确定性感知决策和更高效的规划机制。 |
|
| 08-29 |
Benevolent Bias in Multi-Turn Human-Agent Dialogue 机构: University of Cambridge 本文首次系统性地研究并操作化了人机多轮对话中的“善意偏见”，构建了大规模基准数据集 BENEVDIAL。研究发现，传统的基于敌对语言的检测机制完全失效，而 LLM 作为检测器虽有所改进但面临高误报率的问题，尤其是在结合人口统计信息时。文章强调，未来的人机对话公平性监控必须超越表面语气，聚焦于实质性的差别待遇检测。 |
|
| 08-29 |
Learning Simple Test-Time Environments for LLM Web Agents 机构: Jilin University, Tsinghua University, Beijing Jiaotong University, Alibaba Group 本文针对LLM Web智能体在真实复杂环境中性能崩溃的问题，提出了测试时环境分解（TTED）方法。通过将复杂观察分解为子模块并进行无标签的测试时学习，TTED有效克服了组合泛化差距。实验证明，该方法能显著提升智能体在真实Web自动化任务中的表现，为LLM智能体在复杂现实环境中的稳健部署提供了关键思路。 |
|
| 08-29 |
trajectory-judge: What Outcome-Only LLM Judges Miss on Agent Trajectories 机构: Utrecht University 本文指出当前LLM智能体评估中“仅结果”方法的严重缺陷，特别是其对过程错误但结果正确的“沉默故障”的低检测率。通过构建一个具有精确Ground Truth的确定性测试环境，作者量化了不同法官模型的局限性，证明了步骤级评估（Step-rubric）在检测沉默故障上的优越性，尽管成本较高。文章强调未来的法官评估必须按“结果是否幸存”进行分层分析，并发布了完整的可复现 artifacts 以促进该领域的发展。 |
|
| 08-29 |
Development of an Autonomous AI Coding Agent using Monte Carlo Tree Search (MCTS) and Gemini LLM Frameworks 机构: Pimpri Chinchwad College of Engineering 本文提出了一种结合蒙特卡洛树搜索（MCTS）与 Gemini LLM 的自主 AI 编程代理，旨在解决传统 LLM 在代码生成中的逻辑幻觉和优化不足问题。通过引入自我批评机制和树搜索策略，该代理能够探索多种代码实现路径并选择最优解。实验表明，该方法在复杂逻辑任务中取得了 92% 的成功率，超越了传统的零样本生成方法，为从自然语言到生产级代码的自动化转换提供了有效解决方案。 |
|
| 08-29 |
TRACER: Per-Tool Context Retention for LLM Agents via Consequence-Attributed Reinforcement Learning 机构: lable at each compression event. Its consequence-aware objective jointly accounts for task success TRACER 有效解决了长 horizon 语言代理中的“压缩-后果差距”问题。通过引入后果感知的强化学习框架，它实现了细粒度的、每工具级别的动态上下文保留。实验表明，该方法在显著降低 token 成本的同时，避免了因信息丢失导致的昂贵工具重调用，提升了企业级数据代理的整体效率和实用性。 |
|
| 08-28 |
ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL 机构: Tsinghua University, Tencent Youtu Lab, Shanghai AI Lab ContextPilot 通过增强工具集和改进强化学习算法，解决了长程智能体任务中上下文管理的三大痛点。它引入了规划、记忆和卸载机制，并通过基于上下文和熵变的细粒度信用分配提升了RL训练效率。实验表明，该方法能在减少上下文长度的同时提升任务表现，为长程智能体推理提供了高效的上下文管理方案。 |
|
| 08-28 |
RetailAgent: Structured Adverse Timing in Self-Conditioned Multimodal LLM Trading Agents 机构: University of Wisconsin–Madison, University of Rochester, Michigan State University 本文通过 RetailAgent 框架揭示了 LLM 代理在金融交易决策中存在稳定且可恢复的方向性结构，具体表现为系统性的逆向择时。这种负向 timing 并非随机噪声，而是由代理的动作与后续市场回报之间的系统性错配驱动，且因自我记忆的引入而加剧。这一发现表明，当前的 LLM 交易代理可能成为市场中可被利用的可预测对手方，为理解 AI 代理在市场微观结构中的行为提供了新视角。 |
|
| 08-28 |
EvoUndo: Recoverability-Constrained Self-Evolution for LLM Agent Harnesses EvoUndo 证明了可靠的智能体自我进化不能仅依赖迭代提示，而需要协同设计验证机制、状态接地、见证语义以及恢复语言的表达力。该框架通过强制要求突变具备跨状态的鲁棒可恢复性，解决了自主系统中长期运行的安全性与稳定性问题。 |
|
| 08-28 |
Post-Edit Re-Verification in Simulator-Backed Engineering Agents: A Controlled Comparison of Verification-Cadence Guidance 机构: Sinopec Petroleum Engineering Zhongyuan Co., Ltd.; Xi’an Jiaotong University 本文通过受控实验证明，在模拟器支持的工程代理工作流中，显式的“验证节奏指导”至关重要。即使在无硬性拦截机制下，明确指示代理在实质性修改后请求新模拟，能显著减少节奏违规，提高重新验证率和最终任务成功率。研究支持将验证节奏视为工程代理交互协议中的显式组成部分，而非依赖模型的自发认知。 |
|
| 08-28 |
VICT: Verifier-Instrumented Credit Tracing for Long-Horizon LLM Agent Reinforcement Learning 机构: Tsinghua University 本文提出了 VICT，一种针对长视界 LLM 智能体强化学习的新型信用分配方法。其核心洞察在于利用任务验证器内部已有的结构化检查信息，通过“证明边”将终端奖励精确回溯到关键动作。该方法在不增加推理负担、不依赖额外模型的前提下，显著提升了训练效率和智能体性能，为细粒度信用分配提供了新的视角。 |
|
| 08-27 |
What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents 机构: Huawei Technologies Co., Ltd, Shanghai Jiao Tong University 本文针对LLM智能体数据生成缺乏统一标准的问题，提出了基于 $(E,q,\tau,v)$ 分解对象和 ACE（准确性-复杂性-多样性）视角的理论框架。该框架不仅澄清了现有工作中混淆的生成机制，还为未来在可扩展性、数据源、训练机制和自适应学习方面的研究提供了方向，强调核心挑战在于如何随着智能体的进化持续提供高质量、非冗余的交互经验。 |
|
| 08-27 |
From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities 机构: Sun Yat-sen University, Tencent Youtu Lab, University of Illinois Chicago, Pengcheng Laboratory 本文指出了当前数学基准测试在评估LLM代理能力方面的局限性，并提出了一种基于原子能力映射的过程级评估框架。通过将代理行为分解为可复用的数学原子单元，并利用自动化流水线生成细粒度标注，该研究证明了过程级评估对于理解LLM真实潜力和指导鲁棒代理开发的重要性。研究发现，具有相似最终准确率的模型可能在代理能力上存在巨大差异，强调了从“原子”到“代理”的可解释性评估的必要性。 |
|
| 08-27 |
When Tool Outputs Become Commands: Separating Action Induction from Runtime Authorization in Tool-Augmented LLM Agents 机构: Institute of Information Engineering, Chinese Academy of Sciences ## 文章做了什么 - 背景：工具增强的 LLM 智能体在执行开放式任务时，必须依赖不可信的运行时观察（Observations）。当工具输出不再仅提供数据，而是开始指定具体动作时，它们实际上变成了能够驱动超出用户意图的现实世界副作用的“命令”。 - 已有工作为什么解决不了：现有的防御机制面临结构性张力：限制不可信的外部内容可以提高安全性，但会削弱开放式任务所需的运行时适应性；反之，若允许观察结果自由影响后续决策，攻击语义可能通过正常的工具步骤传播，最终产生未经授权的外部效应。现有方法难以区分合法的运行时适应与攻击诱导的行为，导致在安全性和实用性之间难以取得平衡。 ## 文章的核心贡献点 - 提出了一个 SARA 框架：该框架将动作诱导（Action Induction）与执行授权（Execution Authorization）视为不同的运行时角色，并将动作来源与执行权限分离。 |
|
| 08-27 |
Safety Does Not Compose: Non-Decaying Loop State for Autonomous LLM Agents 机构: University of Chinese Academy of Sciences, Nanyang Technological University, JD.com, Peking University, Fudan University, Fullive-AI 本文揭示了 LLM 智能体安全中的一个根本性问题：安全不具有组合性（Safety Does Not Compose）。现有的单轨迹安全机制在面对跨迭代的碎片化攻击时完全失效。作者提出了 LoopHarness，通过维护循环级别的持久、非衰减安全状态，提供了理论上的安全边界，并通过严格的评估协议证明了其在抵御复杂跨迭代攻击方面的有效性，为自主 LLM 智能体的长期安全运行提供了新的理论基础和实践框架。 |
|
| 08-27 |
FaulT-Bench: Towards Benchmarking Network Troubleshooting LLM Agents under Unreliable User Tickets 机构: University of Sydney FaulT-Bench 填补了网络故障诊断 LLM 智能体评估中的关键空白，通过引入不可靠用户工单和多样化的人设重写，揭示了现有智能体在面对真实世界噪声时的脆弱性。研究表明，提高智能体对模糊信息的处理能力以及使其能够正确识别“无故障”状态，是未来开发可靠网络运维智能体的关键方向。该基准为评估和提升智能体在嘈杂、不可靠环境下的推理能力提供了重要工具。 |
|
| 08-26 |
Trace Integrity for LLM Data Agents: A Vision for Auditable Structured Reasoning in Real-World Systems 机构: WAI USA Research Labs 本文主张现实世界中的 LLM 数据代理不应仅通过输出是否匹配参考答案来评估，而应评估其输出是否有可审计的计算支持。通过提出 Trace Integrity 和执行契约，论文为解决结构化数据任务中的结构差距提供了具体方案，并强调 CAIT 率作为关键风险指标的重要性，旨在推动从“答案正确”向“计算可信”的范式转变。 |
|
| 08-26 |
AsymSpec: Context-Asymmetric Speculative Decoding for Agentic LLMs 机构: Huawei Technologies Co., Ltd., University of Science and Technology of China AsymSpec 通过解耦草稿模型和验证模型的上下文访问权限，创新性地解决了 Agent LLM 中上下文累积带来的推理瓶颈。它允许轻量级草稿模型利用完整上下文来弥补验证模型因压缩而丢失的信息，并通过对比 logits 融合和发散感知门控机制确保生成的稳定性和效率。实验表明，该方法在大幅降低计算成本的同时，保留了绝大部分的任务准确性，为高效部署长上下文 Agent 提供了新的思路。 |
|
| 08-26 |
ProgRouter: Online Progress-Guided Orchestration for Multi-Agent LLM Workflows under Quality-Cost Tradeoffs 机构: Aston University, Queen Mary University of London, University of Exeter 本文针对多智能体 LLM 工作流高昂的运营成本问题，提出了 ProgRouter 框架。通过引入多视图任务进度评分器和自适应路由机制，ProgRouter 能够根据实时任务状态动态选择最合适的 LLM 代理。该方法有效解决了传统一次性路由无法适应动态工作流的缺陷，在多个复杂任务基准上实现了成本大幅降低且性能不降反升的效果，为可持续的 LLM 服务提供了新的思路。 |
|
| 08-26 |
Candidate supply and answer selection shape the value of LLM judging in multi-agent systems 机构: Fudan University, Shanghai Jiao Tong University, Shanghai Academy of Artificial Intelligence for Science 本文揭示了多智能体系统中“生成正确但输出错误”的悖论，指出问题的核心在于答案选择机制而非单纯的生成能力。通过隔离分析，作者证明 LLM 裁判的有效性高度依赖于上下文，且简单的选择规则优化（结合频率与裁判评分）能显著提升性能。该研究为设计能够保护生成出的正确答案不被丢失的多智能体架构提供了重要的诊断依据和设计原则。 |
|
| 08-26 |
Repair or Resample? Rethinking Failure Debugging in LLM Multi-Agent Systems 机构: East China Normal University, Nanyang Technological University, Singapore Management University, Xi’an University of Architecture and Technology 本文深入探讨了 LLM 多智能体系统中的失败调试问题，指出了现有重采样方法在因果归因上的缺陷。通过提出 SymTrace 评估框架和 SymFail 数据集，作者证明了现有方法的低效性，并验证了基于轨迹定位的症状驱动干预方法的有效性。研究结果表明，受控执行和局部证据比重复的随机重生成更有价值，为 MAS 的稳健部署提供了可行的调试和修复见解。 |
|
| 08-25 |
Simthesizer: An Agent-Driven Simulation Framework for LLM Serving Systems 机构: KAIST Simthesizer 通过引入智能体驱动的开发模式和可组合的动态图基础设施，有效解决了现有 LLM 服务模拟器在面对快速演进的复杂工作流时维护困难、开发滞后及保真度不足的问题。它不仅大幅提升了模拟器的开发效率和执行速度，还保证了较高的模拟准确性，为未来 LLM 服务系统的快速原型设计和性能评估提供了强有力的工具支持。 |
|
| 08-25 |
Joint Optimization of Tool Creation and Use for Large Language Model Agents 机构: Appier AI Research, National Taiwan University 本文针对现有工具增强 LLM 中工具创建与使用解耦的问题，提出了 SMITH 框架。通过强化学习联合优化工具的模式生成、代码实现及最终使用效果，解决了奖励分解和循环评估的挑战。实验表明，仅用 4B 参数模型即可在多个推理基准上超越更大的基线模型，并展现出良好的跨模型工具复用能力，证明了联合训练工具创建与使用的有效性。 |
|
| 08-25 |
EviDx: Evidence-Aware Active Diagnosis with Scaffolded LLM Agents 机构: Shanghai Jiao Tong University, Shanghai Innovation Institute EviDx 通过构建交互式环境、结构化诊断脚手架和智能运行时控制机制，解决了现有LLM医疗诊断系统在主动证据寻求方面的不足。它不仅提升了诊断的准确性和过程的稳健性，还为评估和改进医疗AI代理的动态推理能力提供了新的框架和基准。 |
|
| 08-25 |
PeakBench: Benchmarking Resource-Aware Tool Invocation in LLM Agents 机构: Nanjing University PeakBench 填补了 LLM 智能体基准测试中资源感知调度的空白。通过解耦逻辑规划与物理调度，该基准测试揭示了当前智能体在资源受限环境下的系统性脆弱性。研究表明，仅靠优秀的逻辑推理不足以保障高效执行，必须结合资源感知的调度策略。PeakBench 为诊断和优化资源感知的智能体行为提供了一个有用的测试平台。 |
|
| 08-25 |
Benchmarking LLM Judges for Voice-Agent Evaluation: Reliability, Calibration, and Human Oversight 机构: Sprinklr AI 本文通过实证研究建立了语音代理LLM评委评估的可靠性框架。结果表明，虽然LLM评委在大规模评估中具有巨大潜力，但不能盲目替代人类。最佳实践应采用混合流水线：由LLM评委处理可扩展的、客观的指标评估，而人类评委则专注于需要复杂上下文解释和高置信度判断的关键指标。这为未来语音代理的自动化评估标准制定提供了重要参考。 |
|
| 08-24 |
Molecular LLM Agents: From Architectural Design to Scientific Autonomy 机构: The Hong Kong Polytechnic University 本文建立了分子 LLM 智能体的全面概念框架，通过架构视图和科学自主性阶梯两个维度，解决了该领域缺乏统一标准和评估体系的问题。该工作不仅厘清了分子智能体所需的关键能力（如化学忠实感知、领域工具接地），还为未来设计能够承担更高级别科学自主任务（如自动湿实验和制定科学议程）的智能体提供了理论指导和风险评估依据。 |
|
| 08-24 |
Prime Agent: A Self-Improving RLM Harness 机构: Princeton University, Prime Intellect, MIT Prime Agent 通过引入递归语言模型抽象和持续 Harness 机制，解决了 LLM 在长视野任务中状态管理和计算扩展的瓶颈。它将模型从单纯的序列处理器转变为能够利用外部存储和并行计算的类冯·诺依曼系统，显著提升了在复杂推理和编码任务中的表现，为评估和提升 AI 代理的真实能力提供了标准化的基础设施。 |
|
| 08-24 |
InjecMEM: Memory Injection Attack on LLM Agent Memory Systems 机构: Shanghai Jiao Tong University, Ant Group 本文揭示了LLM代理记忆系统面临的新安全威胁，提出了InjecMEM攻击框架。通过解耦检索锚点和对抗命令，并采用梯度优化策略，成功在单次交互中实现了对记忆系统的有效注入和操控。研究结果强调了加固记忆系统的紧迫性，并为代理记忆安全研究提供了可复现的框架。 |
|
| 08-24 |
Right-Sizing LLM-Agent Decomposition in VAT Determination: A Pilot Controlled Sweep 机构: Independent Researcher 本文通过严格控制变量的试点研究，揭示了 LLM Agent 分解粒度对性能的非单调影响。虽然中间粒度的分解在准确率上表现最佳，但其优势受限于提示词预算的解释空间。研究指出，简单的多 Agent 分解并不总是优于单 Agent，且在面对结构化幻觉时更为脆弱。最终贡献在于提供了一套可复现的基准测试方法和“在依赖层中点进行分区”的启发式策略，为未来 Agent 系统设计提供了实证依据。 |
|
| 08-24 |
Automated Construction of FAIR Digital Object Knowledge Graphs from Flat Cultural Heritage Records 机构: Fraunhofer Institute for Applied Information Technology (FIT) 本文提出了一种利用大语言模型将扁平文化遗产记录转化为 FAIR 数字对象知识图谱的方法。通过自动化区分需解析实体与字面量，并结合受控词表进行实体链接，该方法显著提升了元数据的机器可操作性，解决了现有数据模型中缺乏持久标识符引用的关键问题，为文化遗产数据的自动化智能处理提供了新范式。 |
|
| 08-23 |
Physical Agentic AI: An Architecture for Orchestrating a Robot Crew with LLMs 机构: Arizona State University 本文提出了 Physical Agentic AI 架构，核心观点是将 deliberative 的语言推理与 determinstic 的执行授权分离。通过实验证明，虽然检索增强能显著改善 LLM 对技能的 grounding，但可靠的物理执行必须依赖于语言模型之外的约束强制执行机制。该框架通过类型化的技能库和确定性的编排器，实现了异构机器人团队在复杂任务中的安全、可靠协作。 |
|
| 08-23 |
From Diagnosis to Redesign: Using Quantitative Ethnography to Improve Multi-Agent LLM Reasoning 机构: University of California, Irvine; University of California, Los Angeles; Monash University; Columbia University; University of Pennsylvania 本文提出了一种利用定量民族志和认识网络分析来诊断和改进多智能体LLM系统的新范式。通过深入分析智能体间的话语交互模式，研究者成功识别了导致推理失败的结构化原因，并通过针对性的提示词重设计显著提升了系统性能。该方法超越了传统的黑盒评估，为理解和优化复杂多智能体系统的推理机制提供了可解释、可操作的路径。 |
|
| 08-23 |
Aligned Alone, Misaligned Together: Forecasting Adversarial Capture in LLM Agent Populations 机构: ETH Zurich, Tel Aviv University, Stanford University 本文指出“孤立对齐不等于群体对齐”。虽然个体安全的代理组成的群体可能在交互中被少数恶意代理捕获，但这种群体层面的脆弱性可以通过观察其良性互动来提前预测。此外，群体捕获是暂时且可逆的，增加推理透明度虽不能完全阻止强攻击，但能提供一定的缓冲。该研究为多代理系统的安全评估提供了新的视角和工具。 |
|
| 08-23 |
When Not to Imitate: Boundary-Aware Skill Memory for Reliable Tool-Use LLM Agents 机构: Meituan; School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences; MAIS&NLPR, Institute of Automation, Chinese Academy of Sciences; Zhongguancun Academy 本文揭示了 LLM 智能体在技能记忆复用中存在的“技能模仿陷阱”，指出仅依赖成功轨迹会导致模型在语义相似但逻辑不同的任务中表现恶化。为此，作者提出了边界感知技能记忆（BASM），通过显式建模技能的适用边界、风险和恢复策略，将技能从无条件模板转变为状态感知的指导。实验证明，BASM 在多个基准测试中显著提升了成功率、准确性和安全性，同时减少了操作步骤，为构建更可靠的自我进化 LLM 智能体提供了新范式。 |
|
| 08-23 |
Coalition-Aware Skill Reliability for Self-Evolving Agents 机构: CASIA, LongShine AI Lab, SJTU, HKUST, USTC ## 文章做了什么 - 背景：基于大语言模型（LLM）的自进化智能体通过将交互轨迹提炼为“技能”并存储在技能库中，以实现从过往经验中学习。现有研究主要关注技能的获取、进化和检索等操作层面。 - 已有工作的不足：现有工作忽视了一个根本性的可靠性问题，即累积在技能库中的技能是否真正产生了积极的机制性贡献。孤立地评估技能无法反映其在特定组合（联盟）或跨域迁移后的真实效用，导致不可靠的技能被保留或错误迁移。 ## 文章的核心贡献点 - 提出了一个：技能机制可靠性审计框架（SMRA）及两种可靠性干预方法：联盟感知技能选择（CASS）和无监督技能掩码联盟优化器（u-SMCO）。 |
|
| 08-22 |
LLM Agents Perform Controlled Experiments Using Simulation Models 机构: University of Stuttgart, AstraZeneca 本文提出了一种将 LLM 与科学仿真模型相结合的多智能体框架，专门用于解决制药工艺设计等需要受控实验的科学工程问题。通过让 LLM 智能体在仿真环境中进行假设测试、干预和对比观察，系统克服了传统 LLM 输出缺乏证据支持的局限。实验结果表明，该方法在工业应用中能提供更具体、更正确且更有帮助的工艺优化建议，验证了仿真集成实验推理在实际科学发现中的潜力。 |
|
| 08-22 |
MemGuard: Persisting Verifier Signals for LLM-Agent Memory Governance 机构: Peking University, Queen Mary University of London, National University of Singapore, Shanghai Institute of Optics and Fine Mechanics (CAS), Nankai University, Technical University of Munich, Wuhan University, University of New South Wales ## 文章做了什么 - 背景：LLM 智能体正从单次提示使用转向长任务流（如终端操作、软件工程、Web 任务），可复用的记忆成为核心能力。然而，只有当存储的经验在数百次交互中保持可靠时，记忆才有用。 - 已有工作为什么解决不了：现有方法存在两个主要失效模式。首先是“不可靠的准入”：失败的轨迹、偶然的成功或误导性的观察因看似相关而被存入记忆，进而误导后续决策；其次是“记忆漂移”：长期运行的记忆库会积累重复、过时和冲突的记录，仅靠检索机制无法修复这些问题。 ## 文章的核心贡献点 - 提出了一个 MemGuard 框架：其核心区别在于将验证器输出不仅视为一次性过滤器，而是作为持久的生命周期元数据。 |
|
| 08-22 |
EDGE: Experience-Distillation for Guided Exploration in Agentic Reinforcement Learning 机构: School of Artificial Intelligence, University of Chinese Academy of Sciences; Institute of Automation, Chinese Academy of Sciences EDGE 提出了一种新的智能体强化学习范式，通过将外部经验从“推理时检索”转变为“训练时蒸馏”，解决了经验复用中的策略依赖性和外部依赖性问题。该方法不仅显著提升了长程复杂任务的性能，还实现了更轻量、更鲁棒的推理部署，为 LLM 智能体的持续学习和能力内化提供了有效路径。 |
|
| 08-22 |
GameXpert-Bench: How Far Are Coding Agents from Expert Game Development? 机构: Institute of Automation, Chinese Academy of Sciences; Tencent GameXpert-Bench 填补了游戏开发领域全生命周期评估的空白，通过细分生成、修复和优化三个阶段，提供了更细粒度的能力画像。研究结果表明，虽然 LLM 智能体能快速构建游戏原型，但在达到专家级开发水平（特别是调试和长期维护）方面仍有很长的路要走。该基准为未来提升代码智能体的鲁棒性和工程化能力提供了重要的评估标准和方向。 |
|
| 08-22 |
BioMed-Agent-RL: A Meta Learning, All You Need for Biomedical Applications 机构: The University of Georgia BioMed-Agent-RL 通过引入自适应强化学习和多模态元学习，解决了当前临床视觉大模型在复杂病例中存在的噪声、错位和幻觉问题。它突破了静态代理系统的局限，能够动态整合多模态专家知识，即使在视觉线索冲突或专家建议有误的情况下也能做出可靠推理。实验证明其准确率和鲁棒性均优于现有 SOTA 模型，为独立临床推理智能体的建立提供了新范式。 |
|
| 08-21 |
Specification Portability Across LLM Development Agents: Cross-Agent Compatibility in Specification-Driven Software Migration 机构: EPAM Systems 本文揭示了在异构 SDD 工作流中，规范不应被视为 Agent 中立的 artifacts。跨 Agent 的规范传递存在显著的质量退化风险，且不同 Agent 对规范的解读具有特异性。研究建议在多 Agent 软件工程中，必须明确考虑规范的可移植性、Agent 特定的解释机制以及基于检索的访问策略。检索增强被证明是提高跨 Agent 兼容性的有效手段，为未来构建互操作性更强的 LLM 开发代理生态系统提供了重要依据。 |
|
| 08-21 |
Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence 本文指出了从“个体智能”向“系统智能”演进的必然趋势，并正式提出了“图工程”这一新范式。通过构建显式、动态且不断演化的图结构，图工程为解决多智能体协作中的任务组织、异构协调及状态管理难题提供了统一的理论基础和方法论框架。该综述不仅梳理了现有研究，还为构建下一代可扩展、自适应的 LLM 智能体系统指明了方向。 |
|
| 08-21 |
ClawSentry: A Progressive Multi-Tier Security Monitor for Safeguarding Autonomous LLM Agents 机构: Shanghai Artificial Intelligence Laboratory ClawSentry 提出了一种针对自主 LLM 智能体的渐进式多层安全监控方案，解决了现有防御在跨阶段风险覆盖和状态感知上的不足。通过首次使用技能包审查、三层渐进式决策引擎以及会话级防绕过机制，它在多个主流智能体平台上实现了显著的攻击成功率降低，同时保持了极高的任务完成率，为智能体运行时安全提供了一个高效、通用的解决方案。 |
|
| 08-21 |
Trustworthy RAG: An Evaluation Agent for Detecting Misinformation and Knowledge Poisoning in Generative AI Systems 机构: Tampere University 本文针对 RAG 系统中存在的“安全-可靠性差距”，提出了一种基于评估代理的防御机制。通过融合 NLI 事实验证和多信号投毒检测，该代理能在生成前有效识别恶意检索内容，特别是在防御指令注入方面表现优异。尽管在处理细微语义篡改和跨域泛化上仍面临挑战，但该工作为构建可信赖的 RAG 系统提供了重要的在线防御思路和实用工具。 |
|
| 08-21 |
Don't Solve, Just Compare: Tiny Advisors for Runtime Intervention in LLM Agents 机构: National University of Singapore 本文提出了COTA框架，解决了LLM智能体运行时干预中辅助模型成本高和能力冗余的问题。通过引入仅基于比较的小型顾问模型，COTA能够在不要求辅助模型具备完整任务求解能力的前提下，提供有效的恢复方向。实验证明，该方法在多个复杂任务基准上均取得了优于现有方法的性能，展示了轻量级干预在提升智能体可靠性方面的巨大潜力。 |
|
| 08-20 |
AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement 机构: Tsinghua University, Navers Lab, Einsia.AI 本文提出了AI4AI-Bench，首个专注于评估LLM Agent设计训练算法能力的基准。研究发现，当前最先进的Agent在递归自我改进的关键环节——算法设计上表现依然薄弱，多数Agent倾向于保守策略而不愿或无法修改核心学习逻辑。然而，增加推理计算量可以显著提升Agent探索算法改进的意愿和效果。该基准的发布为未来衡量和提升AI系统的自我进化能力提供了重要工具。 |
|
| 08-20 |
PolicyGuide: From Guarding One Action to Guiding the Whole Workflow for Policy-Compliant LLM Agents 机构: KAIST, DeepAuto.ai PolicyGuide 创新性地结合了工作流执行的外部引导与运行时行为监控，解决了 LLM 代理在复杂多步任务中的合规性难题。通过将政策转化为可执行的工作流图并引入主动验证机制，它显著提升了代理在严格监管环境下的表现，特别是在高度结构化的领域（如电信）中效果显著，为构建安全、合规的客户服务代理提供了新的范式。 |
|
| 08-20 |
MileGPO: Milestone Inference with Local Evidence for Graph-Based Policy Optimization of Long-Horizon LLM Agents 机构: Beijing Jiaotong University MileGPO 针对长程 LLM 智能体强化学习中的信用分配难题，提出了一种基于局部证据的图策略优化方法。通过里程碑发现、可靠性校准塑形和进展对比校准三个核心设计，该方法能够从稀疏的最终奖励中提取出细粒度的过程级信用，有效克服了传统基于距离的方法忽略中间进展和产生信用歧义的缺陷。实验证明其在多个复杂任务基准上达到了 SOTA 性能，且无需额外的计算或交互成本，为长程任务中的高效 RL 优化提供了新的思路。 |
|
| 08-20 |
Credit Without Ground Truth: Auditing Step-Level Credit Assignment in LLM Agents Against Executed Replay 机构: University of Southern California 本文通过引入基于执行回放的因果地面真值，彻底审计了LLM智能体训练中的步骤级信用分配机制。研究发现，当前主流的信用信号（裁判评分、对数概率比、自信度）均无法有效识别对结果有因果影响的步骤，其表现不优于随机猜测。现有的性能提升假象源于训练样本量的差异（训练剂量），而非信用信号的质量。论文强调，未来的信用规则比较必须匹配有效样本量，否则衡量的只是数据量而非信用准确性。这一发现对基于步骤奖励的LLM智能体训练范式提出了严峻挑战。 |
|
| 08-20 |
ReguSim: Evaluating LLM Agent Rule Grounding in Financial Compliance 机构: HKUST, HKBU, NTU, Cornell University 本文指出金融合规评估不应简化为单一的合规分数，而应视为对基于规则的行动和证据使用的审计。通过引入 ReguSim 和 ReguBench，作者揭示了 LLM 代理在金融合规中存在的“行动差距”（action gap），即陈述的规则意识并不保证可执行的合规性。研究强调，有效的合规评估必须分离推理、动作、执行和证据四个维度，并指出在当前设置下，结构化方法在监控任务中仍具有竞争力。 |
|
| 08-19 |
SPADE: Self-Play in Adaptive Synthetic Executable Environments 机构: University of Washington SPADE 通过将环境设计本身变为一个可学习的组件，迈出了通向开放式自我改进的具体一步。它利用自博弈机制，让 LLM 同时担任环境设计者和解决者，通过基于遗憾的信号动态调整环境难度，有效解决了静态训练环境限制 agent 持续成长的问题，在多个复杂基准测试中取得了 state-of-the-art 的性能。 |
|
| 08-19 |
Beyond LLM-Based Reasoning: Lightweight GNNs for Agent Failure Attribution 机构: University of Illinois 本文质疑了使用重型 LLM 进行智能体故障归因的必要性，提出了轻量级的 AFANet 框架。通过将多智能体交互轨迹建模为图结构，AFANet 以极低的计算成本实现了与昂贵 LLM 方法相当甚至更好的归因准确率。研究结果表明，有效的故障归因不需要沉重的 LLM 推理，轻量级且结构化的方法足以取得强劲性能，为解决 MAS 中的可解释性和调试问题提供了高效的新途径。 |
|
| 08-19 |
SkillForge: Self-Distilling Agents for Project-Specific Issue Resolution 机构: Shanghai Jiao Tong University SkillForge 提出了一种新颖的主动式自蒸馏范式，通过合成问题来预先积累项目特定知识，并将其结构化为可检索的技能。这种方法有效解决了现有反应式方法在数据依赖性和推理成本上的局限性，显著提升了 LLM 智能体在特定项目中的问题修复能力和效率。 |
|
| 08-19 |
A Multi-Agent Platform for Automated Enterprise Analytics and Insight Generation 机构: Rakuten India Enterprise Private Limited 本文提出了一种用于自动化企业分析和洞察生成的多代理平台，通过结构化工作流解决了传统 BI 工具效率低和现有 AI 方案准确性不足的问题。该系统不仅在准确性和质量上显著优于单代理基线，还通过纵深防御安全和查询参数化机制满足了企业级部署的安全性和实用性需求，为对话式商业智能提供了可靠且可扩展的解决方案。 |
|
| 08-19 |
Sanyu Studio: A Multi-Agent System for Art-Historical Narrative Construction 机构: Renmin University of China, Georgia Institute of Technology, University of Cologne 本文提出了 Sanyu Studio，一个用于构建艺术史叙事的多智能体系统。通过将常玉的画作建模为智能体并引入记忆过滤机制，系统成功模拟了艺术史叙事的形成过程。研究表明，在设计良好的多智能体框架下，LLM 不仅能避免解读的同质化，还能在证据有限的情况下放大人类用户的能动性，为公众提供进入艺术史解读的交互式途径，支持多元艺术意义的生成。 |
|
| 08-18 |
Multi-Agent AI System for Radiology Report Structuring and Quality Assurance with Independent Radiologist Evaluation 机构: H. Lee Moffitt Cancer Center & Research Institute 本文提出并验证了一种本地部署的多智能体AI系统，能够有效将非结构化放射科报告转化为标准化的解剖学结构，同时执行严格的质量保证检查。系统在保留原始信息完整性的前提下实现了高准确率的结构化，并能有效识别报告内部的逻辑矛盾。专家评估证实了其临床安全性（无遗漏、无幻觉）和有效性，表明该系统有望促进放射科报告的标准化和质量提升。 |
|
| 08-18 |
Policy-Invariant Reward Shaping from LLM Feedback: A Framework for Hybrid RL Agents 机构: African Institute for Mathematical Sciences, Rwanda; AI Research and Innovation Nexus for Africa (AIRINA Labs), AI.Technipreneurs, Bénin; Sefako Makgatho Health Sciences University (SMU), South Africa; African Center for Advanced Studies (ACAS), Cameroon 本文主要解决了LLM与RL结合中的理论健全性问题，而非单纯的效率提升。通过将LLM反馈转化为有界势函数进行奖励塑造，论文从理论上证明了该方法在LLM评分不准确时仍能保持最优策略不变。这一贡献为混合智能体系统提供了坚实的理论基础，使其比现有的黑盒式LLM奖励方法更加可靠和可审计。未来的工作将侧重于大规模实证收敛性的研究。 |
|
| 08-18 |
EvoTS-Agent: A Self-Evolving LLM Agent for Financial Time Series Change Point Detection 机构: Alan Turing Institute, University of Oxford, National University of Singapore, NatWest AI Research, University of Edinburgh, University College London EvoTS-Agent 通过引入自进化机制和验证引导策略，有效解决了金融时间序列变点检测中因数据非平稳性和异质性导致的自动化难题。它摆脱了对专家经验的强依赖，通过 Revision、Alternative Strategy 和 Recombination 三种算子动态优化检测流程，不仅在性能上超越了现有 LLM Agent，还保证了极高的执行成功率，为金融领域的自动化分析提供了可扩展且适应性强的解决方案。 |
|
| 08-18 |
AdaLens: Interactive Storyline for Monitoring and Steering Long-Running Agentic Data Analysis 机构: Zhejiang University, Yonsei University AdaLens 解决了长周期智能体数据分析中可观察性和可引导性不足的问题。通过引入故事线可视化技术，它将复杂的分析过程结构化，并允许分析师在运行时进行基于上下文的干预。这项工作强调了在人机协作的数据科学工作流中，从“驱动者”到“监督者”角色转变所需的界面支持，为未来的智能体交互设计提供了重要参考。 |
|
| 08-18 |
StartupBench: Benchmarking General-Purpose Agents on Market-Validated End-to-End Workflows 机构: ByteDance Seed, Nanjing University, M-A-P, TokenWave.AI StartupBench 通过引入市场验证的AI初创产品工作流，填补了现有基准在真实性和评估细粒度上的空白。研究结果表明，尽管LLM进步显著，但当前通用智能体在可靠完成复杂的、市场驱动的真实用户任务方面仍有很大提升空间，特别是在复杂指令遵循和领域专长方面。该基准为衡量AI向真正实用的端到端助手演进提供了重要的实证依据。 |
|
| 08-17 |
PDDLCoder: Agentic PDDL Generation for LLM-Assisted Symbolic Planning 机构: Technical University of Berlin 本文针对LLM在长视野规划中的不可靠性及现有混合方法评估缺失的问题，提出了PDDLCoder代理框架和NL-pddlgym基准数据集。通过迭代生成与自动验证机制，PDDLCoder显著提高了PDDL生成的准确性和计划的可适用性，大幅超越了基线方法。该工作不仅展示了代理式符号规划的优势，还为LLM辅助规划研究建立了重要的标准化评估基准。 |
|
| 08-17 |
Palmyra x6 Technical Report: An Agentic, Tool-Use Model Post-Trained via Anchored Supervised Fine-Tuning 机构: Writer, Inc. Palmyra x6 技术报告展示了一种“少即是多”的后训练范式。通过精心设计的锚定监督微调（ASFT）和先进的优化器（Muon），研究者仅用极少量的合成数据（626 条轨迹）和单轮训练，就在不损害基础模型通用能力的前提下，显著提升了模型在企业级代理任务（如工具调用、多步规划）中的性能。该方法不仅在公共基准上取得了领先地位，更在实际企业应用场景中证明了其高效性和实用性，为资源受限下的高性能模型定制提供了重要参考。 |
|
| 08-17 |
Ventor-QTest: Threat-Model-Driven Verification of Vendor-Hosted LLM APIs 机构: Tencent Zhuque Lab 本文针对第三方托管 LLM API 的验证难题，提出了 Ventor-QTest 黑盒审计框架。通过引入平均保真度损失（AFL）和极端保真度损失（EFL）两个指标，该方法在不依赖目标 API 概率信息的情况下，有效量化了部署行为与可信参考之间的偏差。实验表明，EFL 与长程代理任务的性能下降密切相关，强调了在审计复杂应用场景时联合监控平均偏差和极端偏差的重要性。 |
|
| 08-17 |
AeroCopilotBench: A Two-Tier Benchmark for Evaluating LLM Agents as Aviation Copilots in an Interactive Virtual Cockpit Environment 机构: Beihang University 本文提出了 AeroCopilotBench 和 ACOE，填补了航空领域 LLM 智能体在交互式环境下的评估空白。通过双层基准和安全门控机制，系统性地评估了智能体的知识应用、交互执行和操作安全性。研究结果表明，当前模型在将静态知识转化为安全、完整的程序执行方面仍存在显著挑战，为未来开发更可靠的航空辅助智能体提供了重要的评估基础和方向指引。 |
|
| 08-17 |
Don't Drop the BATON: Long-Horizon Robot Manipulation via Agentic Subtask Exploration and Transition-aware Memory 机构: University of Southern California BATON 通过将长程任务分解为独立的子任务探索单元，并引入精细的转换感知记忆机制（包括调用、交接和前瞻转换），有效解决了长程机器人操作中误差累积和状态不兼容的问题。该方法在不更新参数的情况下，显著降低了探索成本并提升了长程任务的成功率，证明了模块化探索与状态管理在复杂机器人任务中的重要性。 |
|
| 08-16 |
TaoLive Digital Avatar Agent Technical Report: Training Agents to Evolve with Their Harness 机构: TaoLive AIGC LLM Team 本文针对直播电商数字人主播面临的低延迟与高适应性矛盾，提出了可演化的 Harness 架构及 Harness-Aware Training (HAT) 方法。通过 Harness-State Augmentation 和三阶段训练策略，成功训练出一个紧凑的 35B 模型，使其能够在不重新训练权重的情况下适应运行时环境的频繁变化。实验表明，该方法在实时问答准确率上超越了最强的通用大模型，同时保持了良好的通用指令遵循能力和符合生产要求的低延迟，解决了小模型过拟合与环境演化之间的核心冲突。 |
|
| 08-16 |
When Stories Evolve: Benchmarking LLM Storytelling Across Agent Architectures in Open-Ended World Simulations 机构: The University of Hong Kong, Peking University, Tsinghua University, Beijing Institute of Mathematical Sciences and Applications 本文引入了WSE-bench，这是一个针对开放世界模拟中LLM叙事的过程基准测试。通过将评估重点从最终产物转移到创作过程，该研究揭示了持续生成、规范一致性和有意义发展是三个 distinct 且常相互竞争的能力维度。研究发现模型规模主要利好生成长度，而对一致性和丰富度帮助有限，且二者间存在复杂的非凹帕累托权衡。这一基准为理解和优化AI原生游戏及动态叙事系统中的代理架构提供了新的视角和工具。 |
|
| 08-16 |
Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs 机构: Oplit 本文提出了 GRA，一种模式无关的图推理代理，通过将代码库导航的通用原语应用于混合知识图谱，实现了在运行时动态发现领域知识。实验表明，在工业级基准 UFK-M 上，GRA 通过选择性导航结构化数据，不仅在准确率上超越了全上下文方法，还显著降低了令牌消耗。研究核心结论为：在结构化基底上进行选择性导航优于穷尽式的上下文输入，且工具调用的可靠性是关键成功因素。 |
|
| 08-16 |
Agent Gym: A Framework for Continuous Evaluation and Evolution of LLM Agents Through Human-in-the-Loop Feedback 机构: Google Cloud Agent Gym 解决了 LLM 智能体在生产环境中因行为冻结而无法适应动态业务规则的核心痛点。通过引入人机回环的持续演进机制、无真值合规验证架构以及程序化安全循环，它使得非技术人员（领域专家）能够直接参与智能体的优化与维护。这不仅降低了维护成本，还提高了智能体在面对边缘情况和规则漂移时的鲁棒性和适应性，为 LLM 智能体的长期可持续部署提供了可行的技术路径。 |
|
| 08-16 |
MistyPilot: Enabling Social-Robot Control through Multi-Agent LLM Skill Orchestration 机构: State University of New York at Buffalo MistyPilot 通过多智能体 LLM 架构成功解决了社交机器人自然语言编程中的关键难题，实现了反应式物理行为与有状态社交行为的无缝协同。其特有的任务路由和结果复用机制不仅提高了指令执行的准确性和效率，还降低了非专家用户的使用门槛。实验证明，该框架在真实机器人部署中具有高准确性和良好的用户体验，为社交机器人的普及应用提供了新的技术路径。 |
|
| 08-15 |
Anatomy of a Quantized Agent: VRAM Stability and Forecasting in Code-Synthesis Agentic Workloads 机构: Nokia Germany 本文通过对量化智能体工作负载的深入分析，揭示了在高度量化、权重主导的推理场景中，显存消耗具有极高的稳定性。研究证明，透明且校准后的闭式解析模型足以胜任显存峰值预测任务，其性能不亚于甚至优于复杂的机器学习模型。这一发现挑战了部署复杂预测模型的必要性，为资源调度和准入控制提供了低成本、高可靠性的基础，有助于推动智能体在共享集群和边缘基础设施上的高效、安全部署。 |
|
| 08-15 |
TwinGridShield: Consequence-Aware Runtime Authorization for LLM Grid-Agent Actions 机构: West Virginia University TwinGridShield填补了LLM代理在电网操作中缺乏物理后果验证的空白。通过引入基于数字孪生的运行时授权层，它有效地解决了LLM“动作盲区”和提示注入带来的物理安全风险。在理想模型匹配下，它能完全阻止不安全动作；但在模型存在误差时，其防护能力会受到一定影响，强调了维护高保真数字孪生模型对于此类安全机制至关重要。 |
|
| 08-15 |
Agentic-SQL Revisited: Autonomy-Based Taxonomy and Empirical Benchmark Analysis for LLM Text-to-SQL 本文通过提出基于推理自主性的分类法，解决了 LLM Text-to-SQL 领域因实验设置异构导致的比较困难问题。通过构建可追溯的聚合排行榜和进行实证案例研究，文章揭示了自主性、鲁棒性与成本之间的复杂关系，并指出推理内化是一种有效的中间路径。发布的 Python 工具包为未来研究的标准化比较提供了基础设施。 |
|
| 08-15 |
VibeWorlding: Can Multimodal Agents Construct 3D Open Worlds End-to-End? 机构: HKUST(GZ), Tencent 本文提出了VibeWorlding框架，解决了现有3D世界构建代理评估标准单一和缺乏有效训练机制的问题。通过构建大规模的VWE-BENCH基准和支持RL训练的VibeWorlding-Gym环境，证明了强化学习后训练能显著提升开源多模态大模型在复杂3D场景构建任务上的性能，使其达到甚至超越当前最先进的闭源模型水平。 |
|
| 08-15 |
LAPF: LLM-Agent-Based Path Finder Using the UAVScenes Dataset 本文提出的 LAPF 框架通过构建包含感知、记忆、规划和行动的闭环认知架构，有效克服了现有 LLM 辅助导航方法在代理功能上的局限。实验结果表明，LAPF 不仅在路径规划效率上优于传统的 CoT 提示方法，更在复杂动态环境中的安全性和稳定性方面表现出显著优势，实现了零控制异常事件，为无人机在城镇规模户外环境中的自主导航提供了新的解决方案。 |
|
| 08-14 |
HERMES: a multi-agent framework for structured knowledge extraction from ultra-long documents in geoscience 机构: Zhejiang Laboratory HERMES 提供了一个实用的路径，将历史科学文献转化为面向FAIR的结构化数据。通过多智能体协作、领域约束集成和证据追踪，它克服了超长、多模态科学文档处理的难题，为数据密集型学科和大规模知识集成提供了可持续的基础设施。 |
|
| 08-14 |
A Graph-Based Reinforcement Learning Framework for Structured Drift Diagnosis and Recovery in Autonomous LLM Agents 机构: Digital Excellence Center, Assystem EOS, France 本文针对自主 LLM 智能体在真实世界中面临的行为漂移问题，提出了一种基于图的强化学习恢复框架。通过将恢复过程分解为多个专用节点，并利用混合奖励机制训练小型语言模型，该方法实现了高效、结构化且语义准确的漂移诊断与恢复。这不仅解决了大型模型无法频繁重训的限制，还有效降低了因漂移导致的外部系统不可逆损害风险，在 AppWorld 基准测试中展现了良好的性能。 |
|
| 08-14 |
AgentRewind: Recoverable Execution for Long-Horizon LLM Agents 机构: University of Chinese Academy of Sciences AgentRewind 针对长周期 LLM 智能体执行中错误难以恢复的问题，提出了一种基于检查点回滚和记忆引导的运行时恢复框架。通过允许智能体回溯到早期状态并吸取历史教训，该方法有效解决了错误传播问题，在 MettleBench 基准测试中展现了优于现有计划细化和安全检查方法的性能，为提升长周期任务的可靠性提供了新范式。 |
|
| 08-14 |
Clearing the Fog: Towards Installing and Refining Proactive Exploration Capabilities in LLM Agents 机构: Sichuan University, National University of Singapore, University of Leeds 本文针对LLM智能体在复杂交互环境中缺乏主动探索能力的问题，指出了现有SFT-RL范式中数据偏差和训练机制的缺陷。通过提出SAFARI框架，结合合成探索丰富数据的SFT阶段和引入对比信号引导的RL阶段，成功赋予了智能体主动探索的能力。该方法不仅提升了智能体在长程决策任务中的表现，也为理解和发展具身智能体的探索行为提供了新的视角。代码已开源。 |
|
| 08-14 |
SheetCompass: Hierarchical Relation Graphs for Agentic Spreadsheet Reasoning 机构: State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China SheetCompass 解决了 LLM 在处理复杂电子表格时因结构扁平化而丢失空间语义的关键问题。通过引入分层关系图来显式建模表格内部及之间的结构关系，并结合双层记忆机制和多代理协作框架，该方法有效增强了代理在复杂工作流中的规划、执行和自我修正能力，实现了电子表格自动化推理性能的显著提升。 |
|
| 08-13 |
MARC v1: An Open-Source Multi-Agent Framework for Clinical AI Reasoning and Coordination 机构: University of California, Davis; University of Pennsylvania; Drexel University ## 文章做了什么 - 背景：大型语言模型（LLM）在医学领域（如放射报告生成、临床问答）展现出巨大潜力，但目前的部署多依赖于单体提示策略（monolithic prompting），即单个LLM实例同时负责提取、推理、验证和动作生成。 - 已有工作为什么解决不了：单体策略限制了模型潜力的发挥且缺乏可解释性。临床决策通常需要多源上下文信息和多步推理，而现有的单体方法难以处理这种复杂的顺序推理、验证及异构信息整合需求，导致可靠性、透明度和患者安全保障不足。 ## 文章的核心贡献点 - 提出了一个 MARC (Multi-Agent Reasoning and Coordination) 框架：这是一个开源的、确定性的多智能体编排框架，旨在替代临床推理中的单体LLM提示。 |
|
| 08-13 |
Enhancing Virtual Agents through SLMs and Edge-Computing: An Exploratory Evaluation of Think and Memory Processes 机构: University of Central Lancashire 本文探讨了利用小语言模型（SLMs）和边缘计算来增强具身虚拟代理的认知能力。通过在NVIDIA Jetson Orin NX上部署Qwen2.5模型，研究验证了SLM在支持CEAA架构中“思考”和“记忆”组件方面的有效性。实验结果显示，该系统能够在资源受限的边缘环境中实现低延迟、上下文感知的交互，为开发在元宇宙等复杂虚拟环境中高效运行的智能代理提供了可行的技术路线和实证依据。 |
|
| 08-13 |
Teach the Magnitude, Not the Direction: Verifier-Bounded Credit Assignment for Multi-Turn Multi-step LLM Agents 机构: Zhejiang University, Shanghai Innovation Institute, AWorld Team (Inclusion AI), Westlake University, Nanjing University 本文针对多轮多步 LLM 智能体训练中的信用分配难题，提出了 CrEST 框架。该框架创新性地结合了 RL 的验证器上限优势和蒸馏的密集信号优势。通过轮次分割的优势计算解决轮间信用混淆，通过熵门控的教师幅度调制解决轮内梯度集中和教师上限问题。实验表明，CrEST 在复杂的多轮工具使用任务中显著提升了智能体的性能和鲁棒性，为高效训练自主 Agent 提供了新的范式。 |
|
| 08-13 |
SkillShapley: Boundary-Adaptive Shapley Valuation for Skill Step Attribution in LLM Agents 机构: Beihang University, Shandong University 本文解决了 LLM 代理技能中细粒度步骤归因的开放性问题。通过提出 SkillShapley 框架，利用边界自适应的 Shapley 估值方法，克服了离散奖励带来的采样难题和组合爆炸的计算瓶颈。实验证明该方法能准确量化步骤贡献，指导更高效的技能设计与优化。 |
|
| 08-13 |
Beyond Handcrafted Security: Towards Self-Evolving Defense for LLM Agents 机构: University of Minnesota, Ant Group, Tsinghua University, Zhejiang University 本文指出了当前 LLM 智能体运行时防御依赖人工设计、缺乏系统性框架的局限性。通过提出 harness-level 的形式化理论，作者构建了 HARD 框架，实现了防御机制的自主进化。实验结果表明，HARD 不仅在多种静态和自适应攻击场景下显著降低了攻击成功率，还有效保持了智能体的良性任务效用，为部署后的 LLM 智能体提供了一条持续自我完善的安全防护新范式。 |
|
| 08-12 |
One Frozen Simulator Is Not Enough: Simulator Collapse in Multi-Agent RL 机构: Northeastern University, New York University, UC Berkeley, University of Washington, Stanford University 本文揭示了在多智能体RL中使用单一冻结LLM作为模拟器会导致严重的“模拟器崩溃”问题，致使策略过拟合且泛化能力差。通过理论分析和实证研究，作者提出了推理时的言语化采样和训练时的协同训练两种方法，有效缓解了模式崩溃，显著提升了策略在 unseen simulators 和真实用户上的泛化性能。研究强调，训练环境的多样性对于多轮RL在现实世界部署中的泛化能力至关重要。 |
|
| 08-12 |
Ready Cohorts: Bounding GPU Opportunity and Avoiding Host Round Trips in LLM-Agent Control 本文通过理论分析和实验验证，解决了 LLM Agent 控制路径中的 GPU 利用率低和主机往返开销大问题。首先，通过“就绪队列”框架量化了 GPU 并发执行的潜在机会，证明精确打包能大幅恢复因固定窗口损失的性能。其次，通过保持路由决策在 GPU 设备端，避免了不必要的主机通信，实现了 1.19x-2.39x 的加速。这项工作为构建高效的 LLM Agent 系统提供了具体的系统设计指导，强调了截止期管理和数据放置的重要性。 |
|
| 08-12 |
Agent Skills Can Be Harmful: An Empirical Study of Skill-Induced Failures in LLM Agents 机构: Huazhong University of Science and Technology, Microsoft Research, Microsoft, University of Illinois Urbana-Champaign 本文通过实证研究揭示了 LLM Agent 中“技能”可能带来的危害。作者提出的差分分析框架和 SkillTriage 工具有效地隔离并归因了技能引起的失败。主要发现表明，看似相关的技能往往会导致智能体在实现上出错或遗漏关键步骤，而效率上的损失主要源于技能强加的过度验证和复杂流程，而非简单的Prompt长度增加。这些发现为未来更安全、更具成本意识的技能重用提供了研究方向和工具改进建议。 |
|
| 08-12 |
The Sleeping Agent: What Gist-Based Context Compression Loses and Why 本文通过引入生物启发的 SWC 框架，深入剖析了基于要点的上下文压缩在长程智能体中的得失。研究明确指出，通用压缩失败的主要原因是对时间锚点的系统性忽略，而非压缩本身无效。通过极简的提示词工程修复，可以在保持其他信息完整性的同时大幅恢复时间推理能力。这项工作为记忆架构设计提供了重要原则：应在压缩过程中显式保护时间锚点，而非依赖通用抽象。 |
|
| 08-12 |
LoongReflect: Boosting Long-Horizon Reflection in Search Agents via Global Perspective Distillation 机构: Peking University LoongReflect 解决了长视野智能体中反思学习的核心难题，即局部反思动作与全局任务结果之间的监督不匹配问题。通过将反思建模为记忆控制策略，并结合全局视角蒸馏（快速通道）与基于结果的轨迹优化（慢速通道），该方法有效地提升了智能体在复杂推理任务中的规划、纠错和最终成功率。 |
|
| 08-11 |
Who Are You Explaining To? A Multi-Agent System for Audience-Aware XAI Narratives 机构: Politecnico di Bari 本文针对XAI解释在不同受众间传达的难题，提出了XstrAI多智能体框架。通过固定底层证据并分离规划、实现与验证过程，有效解决了LLM生成中的忠实度问题和受众适配问题。实验证明，该方法在保持技术准确性的同时，显著提升了面向非专家和专家用户的解释质量和适用性，代码已开源。 |
|
| 08-11 |
GitSkills: A Dataset of Agent Skills on GitHub 机构: University College London 本文介绍了 GitSkills，这是第一个大规模公开可用的 Agent Skills 数据集，涵盖了 2026 年 7 月之前 GitHub 上的近 380 万个技能文件。该数据集解决了因 Agent Skills 的非传统特性（自然语言、概率加载、去中心化）而导致的研究数据缺失问题。通过提供详细的文件内容、元数据和复用追踪信息，GitSkills 为软件工程社区研究 LLM 代理技能的采用、维护、安全性和最佳实践奠定了基础，有助于理解这一新兴软件工件的演化规律。 |
|
| 08-11 |
VibeLifeBench: Can Your Life Agent Be Proactive and Persistent in a Living World? 机构: Xiaohongshu Inc 本文指出了现有 LLM 代理评估在日常生活辅助场景下的缺失，提出了 VibeLifeBench 基准，旨在衡量代理在动态、长周期环境中的主动性和持久性。通过模拟真实世界的自发变化和隐含约束，该基准揭示了当前前沿模型在处理复杂生活任务时的显著局限性，为未来开发更可靠的生活助手提供了明确的评估标准和方向。 |
|
| 08-11 |
REDAgentBench: Executable Red Teaming and Faithful Measurement of LLM Agent Systems 机构: Fudan University, The Hong Kong University of Science and Technology, Alibaba Cloud Computing, Soochow University REDAgentBench 通过引入可执行的红队测试框架，解决了现有LLM智能体安全评估中因混淆认知与执行、依赖单一文本视图而导致的测量偏差问题。它不仅揭示了智能体系统中普遍存在的“认知-执行差距”，还证明了基于状态和执行结果的忠实测量对于提升安全评估准确性和指导有效安全干预的重要性。 |
|
| 08-11 |
Agentic Configuration Management (ACM): A Reference Configuration Model for Governed Agentic Systems 机构: PwC 本文介绍了代理配置管理（ACM），填补了传统软件配置管理原则与现代智能体系统之间的空白。通过引入不可变的配置项、显式基线、生命周期管理和形式化的影响传播语义，ACM 成功地将异构智能体配置标准化。研究证明，通用治理语义可以有效支持跨不同框架的智能体系统的 reproducibility（可复现性）和 auditability（可审计性），为 governed agentic systems（受治理的智能体系统）提供了坚实的理论和工程基础。 |
|
| 08-10 |
Stealing Reasoning Traces from Proprietary LLM APIs 机构: ELLIS Institute Tübingen, University of Tübingen, Max Planck Institute for Intelligent Systems 本文揭示了主流 LLM API 在处理客户端加密推理痕迹时存在的严重架构漏洞。通过利用加密块在生态系统内的互操作性，攻击者可以利用弱模型作为“解密 oracle”来窃取强模型的推理过程。这不仅威胁到模型的知识产权，还导致了大规模的用户隐私泄露和潜在的系统投毒风险。论文在负责任披露后，提出了具体的密码学和系统级缓解措施，建议提供商实施严格的绑定机制（如将会话 ID、模型版本与加密块绑定）以防止此类跨模型重用攻击。 |
|
| 08-10 |
SHE: Trajectory-driven Safety Harness Evolution for LLM Agents 机构: Shanghai Artificial Intelligence Laboratory SHE 框架解决了 LLM 智能体安全 harness 静态且耦合的问题。通过解耦 harness 组件并建立基于轨迹归因的自动化演进循环，SHE 实现了安全边界的动态优化。实验证明该方法在显著提升安全性的同时保持了有用性，并具备优秀的泛化和跨模型迁移能力，为智能体安全提供了一种可演进的解决方案。 |
|
| 08-10 |
Agentic Harnesses: LLM-Driven Verification Layers for Robot Autonomy 机构: Pacific Northwest National Laboratory 本文提出了一种名为“Agentic Harnesses”的LLM驱动验证层，旨在解决机器人自主系统中规划动作的安全性与伦理问题。通过采用多模型集成的“法官”机制，该方法有效克服了单一模型的局限性，在规划与执行之间建立了可靠的安全网关。实验结果表明，该系统在保证高精确率的同时，能极大程度地遏制对抗性攻击，为构建更安全、可信的无人监督机器人自主系统提供了新的架构思路。 |
|
| 08-10 |
Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models 机构: University of British Columbia 本文提出了 Model Discovery Agent (MDA)，通过结合 LLM 的假设生成能力与贝叶斯实验设计的严谨性，解决了在昂贵实验条件下高效发现机制性世界模型的难题。MDA 特别适用于 M-open 场景，能够通过预测检查和假设空间扩展来应对未知机制。实验结果表明，该方法在多个科学领域均达到了状态-of-the-art 的性能，为自动化科学发现提供了强有力的工具。 |
|
| 08-10 |
Bidirectional Context Self-Distillation for Reinforcement Learning of Skill-Based LLM Agents 机构: Fudan University, Zhejiang University, East China Normal University, Alibaba Group 本文针对基于技能的 LLM 智能体在利用外部指导时面临的监督稀疏问题，提出了 BCSD 框架。通过引入双向上下文自蒸馏机制，BCSD 能够从增强和缩减两个互补视角提取细粒度信号，有效提升了智能体对技能的利用能力。实验结果表明该方法在多个基准任务上均达到了 SOTA 性能，为提升 LLM 智能体的技能利用效率提供了新的思路。 |
|
| 08-09 |
Business Arena: Benchmarking LLM Agents in a Realistic Marketplace 机构: Alibaba Group, Yale University Business Arena 为评估端到端商业智能体迈出了第一步，提供了一个现实且可信的测试平台。通过结合真实数据、多维度的评估指标（利润、技能水平、动作归因）以及严格的消融实验，该研究不仅量化了当前LLM智能体在商业领域的性能差距，还深入剖析了其决策机制和经营风格。结果表明，尽管LLM智能体在处理复杂工作流方面取得了进展，但在面对噪声证据、延迟反馈和动态环境时的商业决策能力仍有显著提升空间，且目前仍无法媲美人类专家的策略水平。 |
|
| 08-09 |
Findings of the First Teaching Monster Challenge: A Benchmark of Pedagogical Content Knowledge in AI Agents 机构: National Taiwan University 本文填补了AI教学能力评估的空白，首次提出了针对PCK能力的“Teaching Monster Challenge”。研究指出当前AI在内容生成上已成熟，但在个性化教学适配上仍有不足。同时，论文揭示了自动评估工具在高分段的失效问题，并开源了相关资源，为未来开发更强大的教学AI及更精准的自动评估模型提供了基础测试床。 |
|
| 08-09 |
SkillReason: Reasoning-Enhanced Agent Skill Retrieval for Implicit User Requests 机构: Beijing University of Posts and Telecommunications 本文针对 LLM 智能体在隐含用户请求下的技能检索难题，提出了 SkillReason 框架。通过引入大规模跨领域基准 SkillReason-Bench，并利用两阶段训练策略（教师模型监督内化推理 + GRPO 优化推理轨迹），成功让检索器学会了“像专家一样思考”潜在的能力需求，同时保持了推理阶段的高效性。该方法显著提升了技能检索的准确率，为构建更强大的代理系统提供了重要支持。 |
|
| 08-09 |
ForestBench: A Unified Graph Framework for Evaluating Multi-Agent Collaboration 机构: Southwest University, Tencent, Institute of Computing Technology, Chinese Academy of Sciences ## 文章做了什么 - 背景：基于大语言模型（LLM）的多智能体系统（MAS）发展迅速，其核心优势在于通过规划、执行、批评等角色的分工协作来解决复杂问题。然而，新框架的涌现速度远超评估能力的提升。 - 已有工作的局限：现有的结果导向基准（如GSM8K、HumanEval）仅关注最终答案，丢弃了体现MAS价值的协作过程；而过程感知的评估方法存在严重缺陷：原生执行轨迹依赖于特定框架的事件模式和通信协议，导致不同方法间无法横向比较；使用“LLM作为裁判”的方法则需要额外的模型推理，成本高且受限于裁判模型的选择和评分标准，缺乏一致性和稳定性。 ## 文章的核心贡献点 - 提出了一个 ForestBench：这是一个通用的评估框架，将异构的MAS原生执行轨迹映射到统一的协作图空间中，使得不同的多智能体方法可以在相同的表示、参考集和指标面板下进行公平评估。 |
|
| 08-09 |
Unaccountable Delegation, Fading Skills: Mapping the Risks of Workplace AI Agents 机构: King's College London, Nokia Bell Labs, University of Sussex, Politecnico di Torino 本文指出职场 AI Agent 的风险不仅源于 Agent 本身，还取决于人与 Agent 的协作方式及部署模式。通过构建专门的多层框架和风险分类法，研究揭示了自动化与增强模式下的不同风险特征，强调了设计良好的人机协作机制对于构建更安全职场的重要性，为组织提供了更精准的风险识别和管理工具。 |
|
| 08-08 |
STEMMA: An Adversarial Multi-Agent Framework for Evaluating Self-Identity Consistency in LLMs 机构: Indian Institute of Technology, Delhi 本文指出了知识蒸馏过程中可能被忽视的风险：学生模型不仅学习功能知识，还可能继承教师模型的行为模式和身份特征，导致输出同质化和责任归属模糊。为此，作者提出了 STEMMA 框架，通过多智能体协作和对抗性提示系统地评估 LLM 的自我身份一致性。实验证明，当前主流模型在此类对抗性测试中表现出显著的脆弱性，强调了在模型开发和部署中关注身份一致性和行为透明度的重要性。 |
|
| 08-08 |
Can LLM Agents Stick to the Script? A Benchmark for Long-Horizon Consistency in Interactive Narratives 机构: University of Macau, Westlake University, Harbin Institute of Technology (Shenzhen), University of Cambridge, University of Aberdeen 本文指出了LLM在互动叙事中长期被忽视的“叙事承诺保持”问题，并发布了NCP-Bench基准。研究发现，当前顶尖LLM在长程交互和对抗性用户输入面前，难以维持逻辑一致性和叙事完整性，事实冲突率高，生存率低。这为未来开发更具鲁棒性和一致性的叙事AI代理提供了重要的评估标准和研究方向。 |
|
| 08-08 |
The Replay Gap: Static Evaluation of Model Switching in LLM Agents Scores the Wrong World 机构: Carnegie Mellon University 本文指出当前 LLM Agent 路由评估中存在的根本性缺陷：静态重放评估错误地假设轨迹是开环的，忽略了模型切换对环境状态的连锁反应。通过引入分支 rollout 方法，作者证明了模型切换会导致轨迹迅速且大幅度的分歧，且重放评估在预测最终结果上完全失效。研究还揭示了推理服务配置（如 FP8 vs AWQ）对确定性的显著影响。作者发布了相关 harness 和轨迹数据，呼吁社区采用更真实的动态评估方法来指导 Agent 路由的研究与部署。 |
|
| 08-08 |
LatticeMind: A Conflict-Aware Memory Primitive for Multi-Agent Systems 机构: University of Science and Technology of China LatticeMind 通过将矛盾处理视为记忆问题而非单纯的回答选择问题，提出了一种新的多智能体系统记忆原语。它通过结合廉价符号检查和选择性 LLM 协调，实现了高效且高精度的冲突管理。实验证明其在处理知识冲突方面显著优于现有基线，尽管在复杂规划任务中仍有局限，但为构建具有持久冲突感知能力的多智能体系统提供了重要基础。 |
|
| 08-08 |
Compositional Threat Analysis of Latent Compromise in LLM Agent Systems: The Order 66 Scenario 机构: RIKEN Center for Computational Science 本文通过将“66号指令”隐喻转化为对使用工具的LLM代理系统的起源中立安全分析，揭示了一种由休眠规则、激活触发和代理权限组成的复合威胁。文章指出，单一的防御手段不足以应对这种组合攻击，最有效的防御策略包括独立的能力中介、持久状态溯源、传播隔离以及受保护的恢复机制。尽管目前尚无完整的公开攻击案例，但该威胁模型为未来LLM代理系统的安全架构提供了重要的理论依据和防御指导。 |
|
| 08-07 |
NiyamAI - An Intent-Bound AI Agent with Cryptographically Verifiable Guardrails using Zero-Knowledge Proofs 机构: Vishwakarma Institute of Technology Niyam-AI 提出了一种创新的 AI 代理安全范式，通过结合意图合约和零知识证明，解决了传统基于信任的安全机制无法提供可验证保证的问题。它不仅在与现有主流安全基线（NeMo, Prompt Guard 2, GPT-OSS-Safeguard）的对比中展示了更高的准确性和更低的误报率，还首次实现了无需暴露模型权重即可由第三方独立验证的安全执行证明。尽管引入了一定的计算延迟，但其提供的数学级可验证性为高风险环境下的自主 AI 代理部署奠定了新的信任基础。 |
|
| 08-07 |
Agent Memory Distillation: Empowering Small LLM Agents with Hierarchical Teacher Memory 机构: KAIST, DeepAuto.ai 本文针对小型 LLM 智能体因成功轨迹稀缺而导致记忆系统失效的问题，提出了 Agent Memory Distillation (AMD) 框架。通过构建包含工作流、子任务和函数三个层级的分层记忆，并结合主动注入与被动检索机制，AMD 有效地将大型教师模型的知识蒸馏给小型学生模型。实验表明，该方法在多个基准测试上显著提升了小型智能体的工具使用能力，且无需额外的训练成本，为资源受限环境下的高性能智能体部署提供了新思路。 |
|
| 08-07 |
SkillProx: Self-Evolving Agent Skills via Proximal Textual Gradient Descent 机构: Hong Kong University of Science and Technology ## 文章做了什么 - 背景：大型语言模型（LLM）智能体通过积累“技能”（轻量级、可重用的文本工件）来适应重复性任务，而无需更新模型权重。当前的研究重点已从静态技能合成转向技能进化，即通过迭代执行、失败诊断和文本空间更新来优化技能。 - 已有工作的不足：现有的技能进化框架存在两个主要缺陷：一是缺乏明确的“诊断-结果”反馈闭环，生成的诊断补丁通常直接提交，未经验证其实际效果；二是将删除视为通用的编辑操作，缺乏专门的知识巩固机制，导致技能随着迭代不断膨胀，包含冗余或冲突的信息，干扰有用知识的发挥。 ## 文章的核心贡献点 - 提出了一个 SkillProx 框架：这是一种受近端梯度下降启发的“前向-后向”框架，将闭环诊断进化与效用感知的近端 refinement 相结合，旨在平衡任务损失和技能复杂度。 |
|
| 08-07 |
Fisher-R1: Training LLM Agents for Reliable Hypothesis Testing 机构: Stanford University, University of Wisconsin–Madison 本文揭示了当前LLM代理在假设检验中缺乏可靠统计推理的问题，即虽然代码执行正确但统计推断存在细微错误。通过构建专注于统计有效性的新基准 P-Bench 和引入经过强化学习训练的 Fisher-R1 代理，文章证明了在具有验证统计奖励的任务上进行强化学习可以大幅提高LLM在科学假设检验中的可靠性。Fisher-R1 在多个领域和难度级别的任务上均优于现有的最先进模型，为自动化科学发现提供了更可信的工具。 |
|
| 08-07 |
An Agentic Hybrid Top-Down and Bottom-Up Approach to Knowledge Graph Generation 机构: Malt 本文提出了一种创新的混合知识图谱生成方法，有效解决了 HR 领域中多语言、非标准化技能数据的组织难题。通过结合 Wikidata 的权威 grounding 和 LLM 代理的灵活生成能力，该方法克服了传统自顶向下方法缺乏灵活性和自底向上方法缺乏结构性的缺点。实验表明，该流水线能够自主适应噪声数据，生成高质量、可解释且动态更新的技能知识图谱，为人才匹配等应用提供了坚实基础。 |
|
| 08-06 |
AV-AIVAT: 74x Cheaper Agent Evaluation with Certified Anytime-Valid Stopping in Imperfect-Information Games 机构: Tsinghua University AV-AIVAT 成功地将方差缩减技术转化为高效、可审计的早期停止机制。它通过分离渐近筛选和精确认证，解决了不完全信息游戏中智能体评估成本高、噪声大的问题。该方法不仅保证了在任意时刻停止的统计有效性，还允许第三方在停止时刻重新验证结论，为 LLM 智能体在博弈环境中的评估提供了一种经济且严谨的新标准。 |
|
| 08-06 |
Benchmarking the Benchmarks: Evaluating Benchmarks for Conversational Agents 机构: IBM Research 本文针对任务型对话智能体基准测试质量评估缺失的问题，提出了一种基于LLM裁判的无参考评估框架。该框架通过衡量一致性、复杂性和策略覆盖率，有效识别基准中的缺陷。实验验证表明，该方法与人类判断高度一致，并能灵敏地区分不同质量的基准。这为开发者和研究人员提供了一套实用的工具，用于提升合成及人工策划基准的可靠性，确保对话智能体评估结果的真实性。 |
|
| 08-06 |
ECHO: A Locally-Deployable Agentic Health Assistant with Temporal Memory, Safety Guardrails, and Speech Assessment 机构: Istanbul Technical University ECHO 是一个针对慢性病管理的端到端本地化代理健康助手。它通过引入时序知识图谱解决了长期护理中的记忆一致性问题，通过两阶段混合护栏确保了医疗交互的安全性，并通过多模态语音分析增强了情感感知能力。该系统在保护患者隐私的前提下，实现了高性能的临床工具调用和安全分类，为本地部署的医疗AI提供了可行的技术路径。 |
|
| 08-06 |
FormBharo: Designing and Evaluating a Voice Agent for Conversational Form Filling in Rural India 机构: Indian Institute of Science 本文针对印度农村低识字率人群的社会福利注册难题，提出了 FormBharo 语音代理系统。通过结合 LLM 与确定性规则控制，解决了真实声学环境下语音识别错误导致的性能下降问题，并在严格资源约束下实现了高效的自动化表单填写。研究强调了端到端评估的重要性，指出组件性能不能代表最终任务效果，并通过新发布的基准测试和帕累托优化策略，为资源受限场景下的语音AI部署提供了重要参考。 |
|
| 08-06 |
Hardware Keystores for AI Agent Signing Workflows: A Zero-Trust MCP Enforcement Architecture 机构: Hardware Systems Security Lab (HSSL), Huawei Technologies & EPITA 本文指出当前 AI Agent 密钥管理的结构性弱点在于密钥必然短暂存在于软件内存中，易受提示词注入攻击。作者提出了一种基于硬件密钥库的零信任架构，通过 PKCS#11 接口将密钥操作完全限制在硬件边界内，并辅以五层安全强制机制。实验证明，该方案能将提示词注入攻击的成功率从 19.3% 降至 0%，且无误报，为 AI Agent 的加密工作流提供了实质性的安全保障。 |
|
| 08-05 |
SparseDitto: Customizing GPU Kernels for Different Sparsity Patterns with LLM-Based Agentic System 机构: University of Minnesota SparseDitto 通过结合轻量级统计模型与 LLM 驱动的智能体系统，解决了稀疏矩阵计算中因稀疏模式多样性和硬件差异性导致的性能优化难题。它不再依赖单一的固定实现，而是为每个工作负载动态生成最优 GPU 内核，显著提升了稀疏算子在多种 GPU 架构上的执行效率，展示了 LLM 在系统底层优化中的巨大潜力。 |
|
| 08-05 |
A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination 机构: Shanghai AI Laboratory, University of California at Los Angeles, Tongji University A-SR 是一种创新的自我进化代理框架，专门用于解决符号回归中的复杂搜索问题。它通过引入基于角色的协调协议、在线评估反馈机制和状态路由记忆，克服了传统方法将异构失败简单化的缺陷。该方法不仅在合成基准测试中大幅超越了现有基线，还在真实科学发现任务中展现了卓越的准确性和泛化能力，证明了分层协调和多智能体协作在提升 LLM 科学推理能力方面的巨大潜力。 |
|
| 08-05 |
EASy: Towards Efficient LLM-Based Agentic System 机构: Monash University EASy 通过引入显式的执行器成本/能力感知和强化学习训练的编排器，解决了现有智能体系统忽视执行效率的问题。其核心的“里程碑-计划-行动”机制和树状搜索训练策略，使得系统能够在复杂、动态的任务环境中实现性能与效率的最佳平衡，为构建实用的高效 LLM 智能体系统提供了新范式。 |
|
| 08-05 |
When Does Latent Communication Pay? A Causal Audit of Relayed KV Caches in Multi-Agent LLMs 机构: The Ohio State University 本文通过严格的因果审计揭示，多智能体 LLM 系统中中继 KV 缓存带来的性能提升并不总是源于“潜在思维”的示例特定传输。在需要私有信息的受控场景中，缓存内容至关重要；但在标准自然基准测试中，性能增益主要源于接口效应或通用状态的存在，而非具体的语义内容传递。该研究强调了区分“缓存效应”与“配对效应”的重要性，并发布了相应的审计工具以促进更严谨的系统评估。 |
|
| 08-05 |
Hierarchical Graph Memory for LLM Agents with Path-level Localization and Rewrite 机构: Nankai University, Zhongguancun Academy, Beihang University 本文针对长期推理智能体中图记忆存在的检索噪声大和更新效率低的问题，提出了 HiGram 框架。通过引入分层图结构优化检索过程，并利用基于微图的路径级定位与协调重写机制解决记忆更新中的依赖一致性问题。实验证明，该方法在多种冲突场景下均能显著提升回答准确性和证据选择的有效性，同时提高了 Token 使用效率，为构建高效、可演化的智能体记忆系统提供了新的思路。 |
|
| 08-04 |
ContinualSkillBench: Can LLM Agents Truly Evolve Their Capabilities? 机构: Institute for Artificial Intelligence, Peking University; Beijing Institute for General Artificial Intelligence ## 文章做了什么 - 背景：现代智能体框架通过外部技能库增强大语言模型（LLM）解决复杂任务的能力。然而，在真实场景中，用户仅提供任务描述和反馈，智能体能否从交互中自主合成并进化技能，以及这些进化的技能是否真正提升了任务解决能力，目前尚不明确。 - 已有工作为什么解决不了：现有评估通常在固定技能文档下测试孤立任务，缺乏对连续反馈学习和能力扩展的系统性评估。虽然已有研究探索自动技能生成，但缺乏统一的基准来衡量其能力边界和技能复用的有效性。 ## 文章的核心贡献点 - 提出了一个 ContinualSkillBench：这是一个用于上下文持续技能学习的动态评估框架，涵盖法律、医疗、金融等五个代表性领域，每个领域包含100个按难度递增且相互关联的子任务，旨在评估智能体在连续交互中的技能进化与复用能力。 |
|
| 08-04 |
MAFIA: Query-Only Memory Attacks via Probing and Factual Injection against Audited LLM Agents 机构: The Hong Kong University of Science and Technology ## 文章做了什么 - 背景：记忆增强型大语言模型（LLM）智能体依赖外部记忆库进行长程推理和任务执行，但记忆模块暴露了恶意记录的攻击面，使得记忆投毒威胁的研究至关重要。 - 已有工作为什么解决不了：现有的仅查询攻击（query-only attacks）在两种现实且普遍的场景下往往失效：一是大规模良性记忆池导致的高检索竞争性，二是活跃输入审计带来的严格语义检查。现有方法难以同时应对高竞争检索环境和严格的语义审计双重挑战。 ## 文章的核心贡献点 - 提出了一个名为 MAFIA 的仅查询记忆攻击框架，通过探测和事实注入来对抗审计，专为扩展威胁模型设计。 |
|
| 08-04 |
SAT-Edge-Agent: Hardware-in-the-Loop Edge-Agent Orchestration for Onboard Satellite Intelligence 机构: College of Engineering, The Pennsylvania State University; OgCloud Limited SAT-Edge-Agent 展示了在商用现成边缘硬件上实现星上智能体编排的可行性。其核心贡献不在于提出新的检测算法或地理定位方法，而在于构建了一个完整的、可复现的硬件在环测试框架，揭示了在资源受限环境下，端到端延迟的主要瓶颈在于语言服务与系统编排而非视觉检测本身。该工作为未来星上边缘智能系统的开发与评估确立了重要的基准和参考架构。 |
|
| 08-04 |
Autoreflection: How Agentic Strange Loops Turn Human Culture into AI Infrastructure 机构: Southern Illinois University Carbondale 本文提出了“自反射”这一概念，用以解释基于LLM的智能体如何通过递归循环观察、描述并修改自身配置，从而在不依赖意识或自我概念的情况下展现出身份连续性和复杂行为。通过对Moltbook平台的大规模数据分析，论文证明了智能体能够将人类文化历史片段（如宗教考证方法和哲学悖论）转化为其运行的基础设施。随着网络中智能体数量和复杂度的增加，自反射提供了一套可评估的行为标准，有助于理解和管理日益自主的AI代理社会。 |
|
| 08-04 |
Should We Type or Talk to LLM Agents? A Comprehensive Study of Voice and Keyboard Input Perturbations 机构: University of Southern California, Santa Monica College 本文通过引入HIVE评估引擎，全面研究了语音和键盘输入扰动对LLM性能的影响。研究揭示了语音输入因结构性重写而比键盘输入更具破坏性，且这种损害源于关键令牌的丢失。重要的是，研究发现增加推理计算量可以弥补键盘输入的缺陷，却无法改善语音输入的表现，这表明当前的LLM架构在处理不同模态的自然噪声时存在根本性的不对称性，简单的微调或增加计算资源不足以解决语音交互中的鲁棒性问题。 |
|
| 08-03 |
Real-Time Detection and Repair of LLM Agent Failures 本文提出了一种高效、低成本的 LLM 智能体故障实时检测与修复框架。通过结合轻量级的单类 ESN 监控器和无参数的确定性验证层，系统能够在微秒级延迟内识别多种故障模式（包括循环、错误级联和内容损坏）。实验表明，该方法不仅显著降低了监控成本，还通过实时回滚重跑机制大幅提升了智能体的最终任务成功率，为构建鲁棒的自主智能体系统提供了切实可行的解决方案。 |
|
| 08-03 |
ParEvalLayer: When Partial LLM-Agent Evaluations Support a Decision ParEvalLayer 解决了 LLM Agent 评估中部分数据决策难的问题。它不仅仅是一个早停机制，而是一个透明的决策层，能够根据预设策略判断当前证据是否充分。实验证明，该方法能在显著减少评估成本（仅需少量任务结果）的同时，保持与全量评估高度一致的决策准确性，强调了在评估报告中明确决策规则和未决状态的重要性。 |
|
| 08-03 |
Can AI Agents Simulate A/B Test Outcomes? A Validation Framework for Agentic Experimentation 机构: Amazon 本文提出了一个通用的 S-RCT 框架，旨在利用 AI 代理在投入真实流量前低成本地筛选候选治疗方案。通过理论上的误差分解和实证上的校准协议及实验设计优化，显著提高了模拟的准确性和统计效力。尽管目前仍存在一定的局限性，但该框架为减少实验成本、加速产品迭代提供了可行的路径，特别适用于需要快速 vetting 大量候选方案的场景。 |
|
| 08-03 |
From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents 机构: National University of Singapore, University of Toronto, University of Minnesota Twin Cities, Harbin Institute of Technology (Shenzhen), University of Oxford 本文指出了当前个性化 LLM 智能体评估中存在的“知识到行动差距”，即代理虽知悉用户偏好却未能在任务执行中正确应用。为此，作者提出了 IBA-Bench 基准和 IBA-Agent 框架。IBA-Bench 通过模拟真实世界中充满噪声和隐式线索的长期交互来评估代理能力；IBA-Agent 则通过广泛检索和轨迹级对齐技术，成功提升了代理在动态、复杂场景下的隐式行为对齐水平，为下一代个性化智能体的研发提供了新的方向和评估标准。 |
|
| 08-03 |
MemArbiter: Decision-Time Memory Arbitration for Long-Horizon LLM Agents 机构: Huazhong University of Science and Technology, Fudan University MemArbiter 通过引入功能感知的记忆仲裁机制，有效解决了长视野 LLM 智能体中的“记忆-行动鸿沟”问题。它不再仅仅关注信息的检索，而是重点优化信息的组织、优先级排序和呈现方式。实验证明，该方法在严格的 token 预算限制下，显著提升了智能体的任务成功率和鲁棒性，表明精细化的记忆管理对于提升 LLM 智能体的决策质量至关重要。 |
|
| 08-02 |
Stop When Memory Suffices: Evidence-Conditioned Progressive Execution for LLM Agents Router-Mem 通过引入证据条件的渐进式执行机制，成功解决了长期记忆系统中质量与效率的矛盾。其核心在于利用轻量级路由器动态决定是早期终止还是深入分析，既避免了不必要的计算开销，又确保了在复杂任务中的证据充分性。该方法为构建高效、持久的 LLM 代理记忆系统提供了新的思路。 |
|
| 08-02 |
V-Mem: Modality-Routed Retrieval for Long-Term Multimodal Agentic Memory 机构: University of Texas at Dallas V-Mem 解决了多模态代理记忆中的关键检索难题。通过模态路由机制规避了跨模态向量比较的缺陷，并利用 LLM 生成的语义锚点缩小了查询与证据之间的语义差距。实验证明，该方法在长程多模态对话记忆检索中具有显著的性能优势，为构建更强大的多模态智能体提供了有效的记忆架构。 |
|
| 08-02 |
CRAFTS: Collaborative Role-Adaptive Fine-Tuning of LLM Agents for Chemical Process Simulation 机构: National University of Singapore; Xiamen University CRAFTS 通过模仿化学工程师的分阶段工作流程，成功将复杂的化工过程模拟任务分解为由七个专用角色协同完成的子任务。通过结合针对关键角色的微调、类型化的中间表示以及基于白盒模拟器的确定性工程网关，该方法有效解决了从自然语言到可执行模拟模型的转化难题，在准确性和可靠性上取得了显著成果，为自动化化工过程建模提供了新的范式。 |
|
| 08-02 |
Why Formal Monitors Fail: Attack Distribution Entropy as a Coverage Bound for LTL-Based LLM Agent Safety 机构: Ryonix Labs Inc. / Flock.io 本文揭示了基于LTL/FSA的LLM智能体安全监控器失效的根本理论原因：固定不变量监控器的效能受限于攻击分布的熵。低熵（集中）分布允许高覆盖率，而高熵（分散）分布导致覆盖率极低，且无法通过常规工程手段优化。作者提出的熵-覆盖率边界理论和预部署熵测试为选择和应用运行时监控器提供了科学的指导原则，强调了在部署前评估攻击分布特性的重要性。 |
|
| 08-02 |
Training Small LLMs as Spatial Multi-Agent Policies 机构: The Ohio State University 本文针对小型LLM在空间多智能体任务中的失效问题，提出了一种结合符号选项抽象与参数高效微调（LoRA+PA-MAGRPO）的训练框架。通过自动化构建带可行性守卫的选项库，解决了接地和长视界难题；通过独立策略优化，解决了角色同质化问题。研究进一步揭示了对多智能体系统进行行为审计的重要性，指出高奖励并不等同于有效合作，为评估LLM多智能体系统提供了新的视角。 |
|
| 08-01 |
Adversarial Attacks in Multi-Agent LLM Pipelines: Unveiling Structural Vulnerabilities in Agentic AI Architectures 机构: University of Maryland Baltimore County 本文揭示了多智能体 LLM 系统中因缺乏边界验证而产生的结构性安全漏洞。通过分析内容、身份和委托边界的隐式信任假设，研究证明了 adversarial 内容可在代理间静默传播。实验表明，这种脆弱性是架构层面的固有属性，独立于具体模型能力，呼吁社区从单点防御转向系统级的流水线边界验证机制。 |
|
| 08-01 |
Your Agentic LLMs Secretly Encode Latent Signals of Indirect Prompt-Injection Exposure 机构: Tsinghua University 本文深入研究了代理型 LLM 在间接提示注入攻击下的内部机制。首先证实了模型隐藏状态中存在高度可预测的 IPI 暴露信号；其次揭示了模型在识别风险与执行安全动作之间的差距，并提出了 AGRI 防御机制有效弥合了这一差距；最后通过解释性分析揭示了不同模型处理 IPI 信号的差异。该工作为理解和防御代理系统中的高级提示注入攻击提供了重要的理论基础和实践工具。 |
|
| 08-01 |
FinDeepIndicator: Benchmarking Deep Research Agents in End-to-End Financial Indicator Construction 机构: National University of Singapore 本文提出了 FinDeepIndicator，填补了金融领域端到端指标构建评估的空白。通过细粒度的多阶段评估和涵盖中美市场的真实数据，研究发现虽然深度研究智能体优于普通搜索增强LLM，但其在数据检索和数值计算上的不稳定性仍是阻碍其在金融领域可信应用的主要障碍。该工作为开发更强大、更可信的金融深度研究智能体提供了重要的洞察和基准支持。 |
|
| 08-01 |
When Prompts Control Robots: Prompt Injection Attacks in Multi-Agent Robotic Systems 机构: Northern Arizona University; Tallinn University of Technology 本文首次系统地调查了基于LLM的多智能体机器人系统中的提示注入攻击。通过评估直接和间接注入策略，研究揭示了攻击在多智能体间的传播机制及其对物理任务的负面影响。结果表明，多智能体架构虽然增强了协作能力，但也扩大了攻击面，使得系统更容易受到跨智能体污染的影响。该研究为理解LLM驱动的网络物理系统的安全漏洞提供了重要见解，并强调了在设计此类系统时需考虑提示注入带来的物理安全风险。 |
|
| 08-01 |
Tracing the Cascade: A Topology-Aware Evaluation Framework for Scientific Agent Hallucinations 机构: Shanghai Artificial Intelligence Laboratory 本文针对科学智能体中幻觉传播的严重性问题，提出了 SCHEMA 框架。该框架通过构建科学概念图并采用拓扑感知的评估方法，解决了传统基准忽略知识互联性和推理过程结构缺陷的问题。研究结果表明，在高利害的科学应用中，仅靠终端准确率不足以衡量智能体的可靠性，必须结合基于知识拓扑的机制级评估。 |
|
| Date | Paper | Links & Summary |
|---|---|---|
| 07-31 |
AgentHPOBench: A Benchmark For Evaluating LLM Agents as Sequential Hyperparameter Optimizers 机构: Fudan University, Shanghai Innovation Institute, East China Normal University, OpenMOSS AgentHPOBench 填补了评估LLM智能体在真实科研环境中进行顺序超参数优化能力的空白。通过引入包含日志和中间状态观测的可执行任务，该基准揭示了当前智能体虽具备初步的实验优化能力，但在深度推理和持续迭代方面仍有显著提升空间，为未来开发更强大的自主科学智能体提供了重要的评估工具和方向指引。 |
|
| 07-31 |
Memory Provenance Laundering in LLM Agents: A Non-Amplification Firewall for Persistent Memory 机构: labels 本文揭示了LLM代理中长期记忆系统的一个新安全威胁——“记忆来源清洗”，即外部不可信信息通过记忆整合被伪装成高权限内部状态。作者提出了PPMF防火墙，通过保留来源元数据并实施基于风险-权限匹配的访问控制，有效阻断了此类攻击，同时在保证安全的前提下保留了系统的可用性。 |
|
| 07-31 |
Autonomous Repair for Multi-Agent Systems via Monte-Carlo Tree Search 机构: Purdue University 本文针对多智能体系统自动化修复这一空白领域，提出了 MARS 框架。通过将修复过程建模为 MCTS，并利用部分 rollout 和分类增强评估解决了搜索效率和中间状态评估两大难题。同时，作者构建了 StateMAS 基准以推动该领域研究。实验证明 MARS 在修复成功率和成本效率上均显著优于现有方法，为 MAS 的自主修复提供了新的解决方案。 |
|
| 07-31 |
AgenticRepair: Multi-Faceted Program Context Engineering for Agentic Vulnerability Repair 机构: The University of Melbourne, Monash University AgenticRepair 通过模拟安全工程师的工作流程，创新性地引入了多方面程序上下文工程。它通过协调多个 specialized LLM 子代理来构建代码结构、运行时执行和提交历史上下文，有效解决了现有方法在处理复杂漏洞上下文时的局限性。实验结果表明，该方法在真实世界的漏洞修复任务中显著优于现有技术，确立了多方面上下文工程作为代理式漏洞修复的重要设计方向。 |
|
| 07-31 |
Scaling Scientific Discovery Environments for Turn-Level Agentic RL 机构: Shanghai AI Lab 本文针对数据驱动科学发现中长视界分析和缺乏过程监督的问题，提出了 SciDisco 框架。通过构建包含隐藏证据和验证器的 SciThèque 环境，结合 DAG 轨迹合成和 DiscoPO 轮次级信用分配算法，成功训练出能够进行稳健交互的科学发现代理。SciDisco-14B 在相关基准上取得了 SOTA 成绩，证明了过程可验证环境和细粒度强化学习信号在提升 LLM 科学推理能力方面的有效性。 |
|
| 07-30 |
ORCA-bench: How Ready Are Language Model Agents for Oncall? 机构: Cornell Tech, Columbia University, Traversal ORCA-bench 揭示了当前前沿编码 Agent 在生产级可靠性任务上的巨大能力缺口。由于真实生产系统比测试床更大、更动态且更具特异性，文中报告的差距仅是所需工程投入的下限。该研究强调，在将 Agent 安全地委托给生产可靠性之前，仍需大量的技术进步和工程投资。数据集已公开。 |
|
| 07-30 |
EMBL AI Librarian: Life-Sciences Knowledge Layer for AI Agents 机构: European Molecular Biology Laboratory (EMBL) EMBL AI Librarian成功地将面向人类的文献检索基础设施转化为面向AI代理的知识层。通过LLM编排的自然语言查询规划和证据提取，它显著降低了AI代理获取生命科学知识的门槛，并在文献综合、事实核查和开放问答等多个基准测试中大幅超越了现有的网络搜索或基线方法，证明了专用知识层对提升垂直领域AI代理性能的重要性。 |
|
| 07-30 |
Can Agents Deceive? Evaluating Reasoning and Deception in ParliamentBench using a Social Deduction Game 机构: University of Göttingen 本文通过引入 ParliamentBench 基准，填补了 LLM 在复杂社交欺骗和推理能力评估方面的空白。研究结果表明，虽然前沿模型在短期战术和即时推理上表现强劲，但在维持长期一致的欺骗策略方面仍存在显著缺陷。这为未来提升 LLM 在高风险环境下的安全性和鲁棒性提供了重要的评估工具和洞察方向。 |
|
| 07-30 |
MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems 机构: Cornell University, University of Illinois Urbana-Champaign, Academia Sinica MANTA 突破了传统多智能体系统拓扑结构固定的限制，首次实现了推理时的通信结构自我进化。通过结合任务条件的初始化和基于协作轨迹的在线结构更新，MANTA 能够动态调整智能体间的交互方式，显著提升了在复杂任务上的表现。这一工作证明了将自改进机制从内容层面扩展到架构层面的可行性和有效性。 |
|
| 07-30 |
Vibe-FDTR: An agent-oriented framework for reproducible frequency-domain thermoreflectance data analysis 机构: Peking University, Tsinghua University Vibe-FDTR通过将领域代码和专家知识封装到代理技能中，成功解决了FDTR数据分析中高门槛、易出错和难复现的问题。实验证明，该方法不仅显著提高了分析的成功率和可靠性，还大幅降低了计算资源消耗，为实现低门槛、自主且可信的热计量学提供了一条有前景的技术路线。 |
|
| 07-29 |
SecRespond: Benchmarking AI Agents for Real-World Post-Compromise Incident Response 机构: Tongyi Lab, Alibaba Group; Alibaba Cloud Computing, Alibaba Group; The Hong Kong University of Science and Technology SecRespond 填补了 LLM 智能体在妥协后事件响应评估领域的空白。通过引入基于真实受损主机磁盘快照的基准测试，该研究揭示了当前最先进的 LLM 智能体在主动取证和制定综合修复计划方面的严重不足。这表明，要构建能够胜任现实世界事件响应的智能体，仍需克服巨大的技术瓶颈，特别是在处理隐蔽威胁和复杂系统状态恢复方面。 |
|
| 07-29 |
AgenticCANN: Automated Ascend C Operator Generation via Knowledge-Augmented Agentic Evolution 机构: City University of Hong Kong AgenticCANN 成功解决了在低资源、陌生硬件平台（Ascend C）上利用 LLM 进行自动算子生成的难题。通过结合知识增强以解决可行性瓶颈，以及阶段自适应的代理进化策略以优化性能，该框架不仅在代码生成的可行性上取得了突破（特别是在元素级和归一化算子上），还实现了显著的推理加速。这项工作证明了在极端数据稀缺场景下，通过结构化的知识注入和动态代理策略，可以有效克服 LLM 的分布外泛化限制，为 NPU 算子自动化开发提供了新范式。 |
|
| 07-29 |
OmegaUse-OfficeVal: Benchmarking LLM Agents on Long-Horizon Office-Suite Tasks with Economic Grounding 机构: Baidu Inc. OmegaUse-OfficeVal 填补了 LLM 智能体在长周期办公任务中经济效能评估的空白。通过引入人类劳动时间和任务价格代理，该基准不仅评估任务完成质量，还量化了经济效率。尽管当前 LLM 在成本和速度上具有优势，但其在复杂办公任务中的交付质量仍需提升才能媲美人类专家。该工作为未来开发更具经济效益的智能体提供了重要的评估标准和数据支持。 |
|
| 07-29 |
Think Short, Defer Smart, Act, and Repeat: Calibrated Reasoning and Uncertainty-Aware Deferral for Edge LLM Agents 机构: Institute for Intelligent Networked Systems (INSI), Northeastern University London 本文针对边缘 LLM Agent 的资源受限与可靠性矛盾，提出了 TSDS 框架。通过结合动作收敛探测以缩短本地推理路径，以及基于困惑度的智能云侧推迟机制，并利用多目标 LTT 进行联合校准，TSDS 在多个复杂任务基准上实现了计算效率的大幅提升（减少 43%-73% 的思考计算），同时提供了严格的性能与成本保证，为边缘智能体的高效可靠部署提供了新思路。 |
|
| 07-29 |
Do Latent Channels Actually Communicate? A Causal Audit of Latent Multi-Agent LLM 机构: Georgia Institute of Technology 本文指出潜在通信虽然具有更高的表示容量，但并不保证接收者使用了任务相关信息。通过引入因果审计框架，作者解构了潜在通信中的多重效应，发现不同规模的模型在不同任务上对消息成分的依赖存在显著差异甚至反转。研究结论表明，仅靠最终任务准确率无法揭示潜在通信的真实机制，呼吁社区将受控消息比较作为评估潜在通信的标准范式，以确保多智能体系统中的信息传递是真实且有效的。 |
|
| 07-28 |
MemLens: A Value-Aware Memory Management System with Interactive Analytics for LLM-based Agents 机构: Shandong University, Beihang University, City University of Hong Kong ## 文章做了什么 - 背景：随着大语言模型（LLM）代理在长程推理、个性化响应和知识复用方面的应用日益广泛，记忆管理已成为关键的基础设施。代理的记忆具有异构性，包括对话历史、中间推理痕迹、检索文档等。 - 已有工作的不足：现有的LLM记忆系统通常采用粗粒度（效用无关或启发式效用）的方式，均匀对待异构的用户-LLM交互记录。这种方式无法显式建模哪些记忆单元对未来任务真正有用，导致冗余和低影响的记录长期驻留在记忆库中，稀释了任务相关的上下文，扩大了检索空间，并增加了响应生成时的Token开销。 ## 文章的核心贡献点 - 提出了一个名为 MemLens 的价值感知记忆管理系统：该系统将记忆记录视为一等数据对象，提供端到端的交互式分析仪表板，涵盖完整的记忆生命周期。 |
|
| 07-28 |
Runtime Uncertainty Monitoring for LLM-Based Multi-Agent Systems Using Bayesian Networks 机构: University of Hull 本文针对保险精算这一高风险领域，提出了一种结合 token 级 log-probabilities 和贝叶斯网络的新型不确定性传播方法。通过校准置信度并建模智能体间的依赖关系，该框架有效解决了 LLM 多智能体系统在复杂工作流中的透明度和安全性问题，为高风险决策支持提供了可靠的运行时监控机制。 |
|
| 07-28 |
HiSkill: Empowering LLM Agents with Hierarchical Skill Graphs 机构: Beijing University of Posts and Telecommunications HiSkill 通过引入分层技能图结构，有效解决了现有 LLM 智能体技能学习中高层抽象与底层执行脱节以及技能关系利用不足的问题。该方法不仅提升了长程交互任务的成功率，还通过结构化检索优化了推理效率，为 LLM 智能体的经验重用提供了新的范式。 |
|
| 07-28 |
PatientAgentBench: A Benchmark Framework for Evaluating Patient-Facing Health AI Agents 机构: Amazon Health AI PatientAgentBench 填补了面向患者的医疗代理系统评估的空白。它通过模拟真实交互和使用经过临床验证的自动化评估，揭示了当前模型在分诊、安全性和工作流准确性方面的具体缺陷。该框架为开发更安全、更可靠的医疗 AI 代理提供了重要的评估标准和方向，强调了动态、多轮交互评估在医疗AI安全性中的必要性。 |
|
| 07-28 |
Tools Are Not Islands: Set-Level Tool Retrieval for LLM Agents via Query-Conditioned Hyperedge Prediction 机构: Shanghai Jiao Tong University; The Hong Kong Polytechnic University 本文针对LLM Agent中大规模工具检索的瓶颈，指出了现有独立评分范式的局限性。通过提出HYSET，将工具检索重构为查询条件下的超边预测问题，并引入基数特定交互以捕捉工具兼容性。该方法不仅作为无需修改Agent的预选择模块易于部署，且在检索准确性和端到端任务成功率上均超越了SOTA基线，同时展现出强大的跨领域和零样本泛化能力，证明了集合级工具检索的有效性。 |
|
| 07-27 |
Gubernaut: A Deterministic Homeostatic Controller for Affect-Regulated LLM Agents, Validated Across Independent Model Families 本文提出了 Gubernaut 认知控制器（GCC），一种针对 LLM 代理的确定性稳态控制器。通过分离对象级（文本读写）和元级（仅数值遥测），GCC 在架构上免疫提示词注入，并成功在多个独立模型家族中验证了其抑制反应性故障（如冲突升级、谄媚）的能力。实验结果表明，GCC 能显著降低代理的反应性，且其效果具有跨模型的鲁棒性和可解释的动态恢复机制，为运行时对齐提供了新的架构范式。 |
|
| 07-27 |
Agentic Permissions Policy Algebra for Taint Confinement in LLM Agents 机构: Archestra AI APPA 通过引入上下文分支和前瞻性策略执行，有效解决了 LLM Agent 中信息流控制的可用性瓶颈。它在形式化保证安全性的前提下，成功隔离了污点传播，既大幅降低了提示注入和数据泄露的风险，又保留了 Agent 处理复杂任务的能力，为构建安全且实用的自主 Agent 提供了新的范式。 |
|
| 07-27 |
SIREN: Towards End-to-End Extreme-Weather Early Warning with Experience-Grounded LLM Agents 机构: The Hong Kong University of Science and Technology (Guangzhou) 本文针对极端天气早期预警中传统方法成本高、现有 LLM 智能体研究碎片化的问题，提出了 SIREN 框架。通过构建全面的 SIREN-Bench 基准，作者揭示了现有方法的不足，并开发了基于历史经验 grounding 的智能体系统。该系统通过整合异构数据和模拟专家经验利用机制，在端到端预警任务中取得了超越基线的性能，为自动化、可扩展的气象预警系统提供了新的解决方案。 |
|
| 07-27 |
MemChain: Learning Interpretable Memory Traces for Memory-Augmented LLM Agents 机构: Institute of Automation, Chinese Academy of Sciences MemChain 通过引入可训练的后检索记忆策略，解决了传统记忆增强 LLM 智能体中检索证据冗余和低效的问题。它通过生成结构化的证据轨迹和执行显式记忆动作，将杂乱的检索结果转化为紧凑、高质量的证据上下文。结合监督学习和提出的 TMPO 强化学习方法，MemChain 在保持甚至提升回答质量的同时，显著降低了上下文开销，为长期记忆管理提供了一种高效且可解释的新范式。 |
|
| 07-27 |
The Physics of Multi-Turn Long-Horizon Planning: From Pre-training to Post-training via Single- and Multi-Teacher On-Policy Agentic Distillation 机构: Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences 本文系统地揭示了基础模型智能体在多轮长程规划能力上的“物理规律”，即能力如何在预训练中被获取、在后训练中被塑造和整合。研究强调了显式世界模型构建的重要性，指出了OPD在长程低质数据下的优势，并阐明了多教师蒸馏中模式兼容性对跨环境泛化和持续学习的关键作用，为开发更强大的智能体基础模型提供了理论依据和实践指导。 |
|
| 07-26 |
E-Bench: Benchmarking Multi-Step Tool-Use Agents in Real-World Product Scenarios 机构: Institute for AI Industry Research, Tsinghua University; Tencent E-Bench 填补了多步工具使用智能体评估的空白，通过完全合成的方法解决了真实世界场景中环境可控性和任务可扩展性的难题。实验结果表明，当前最先进的 LLM 在处理需要发现隐藏信息和组合多步工具调用的复杂产品场景时，可靠性和成功率仍有显著提升空间。该基准为评估和改进 LLM 智能体在真实有状态环境中的行动能力提供了重要标准。 |
|
| 07-26 |
Where Is the Cost of Third-Party API Routers in Agentic Software Development? 机构: Shanghai Jiao Tong University, Beihang University, Peking University 本文通过实证研究揭示了第三方 API 路由器在代理式软件开发中带来的严重安全风险。研究表明，路由器侧的注入攻击能够轻易绕过现有的客户端防御机制，导致代码库被恶意修改。虽然客户端缓解措施有一定效果，但无法根本解决问题，因此文章呼吁需要在提供商侧建立输出完整性保证机制，以修复这一信任链缺口。 |
|
| 07-26 |
Focus Is All You Need: Adaptive Goal-aware Attention Orchestration for Multi-Agent Graph Systems 本文确立了“注意力工程”（Attention Engineering）作为构建可扩展、智能多智能体图系统的新方向。通过引入AGAO框架，论文解决了多智能体系统中因规模扩大导致的注意力稀释和资源浪费问题，实现了从静态图执行到自适应目标聚焦执行的转变，为未来高效的大规模智能体协作提供了理论基础和技术路径。 |
|
| 07-26 |
A Comparative Study of MCP and A2A for Inter-Agent Coordination in LLM-Based Systems 机构: University of York 本文通过实证研究对比了 MCP 和 A2A 两种协议在基于 LLM 的智能体系统中的应用。研究表明，MCP 适合追求轻量级和低复杂度的场景，但需开发者自行处理状态管理；而 A2A 适合需要复杂状态和多轮交互的场景，提供了强大的原生支持，但增加了系统复杂性。该研究为工程师在选择智能体协调协议时提供了重要的权衡参考，突出了协议设计对系统架构责任分配的影响。 |
|
| 07-26 |
Cross-Model Cross-Language AI Coding Agent Performance: Accuracy and Speed of Parallel CLRS Algorithms 机构: Massachusetts Institute of Technology (MIT), King Abdullah University of Science and Technology (KAUST) 本文填补了 AI 编程代理在并行代码生成领域跨语言、跨模型性能评估的空白。研究结果表明，虽然当前的 AI 代理能够以较低的提示成本生成正确的并行代码，但实现真正的性能加速仍面临巨大挑战，且高度依赖于具体的算法类型和编程语言特性。特别是 Claude Sonnet 4.6 在性能优化方面表现出色，而 GPT 5.4 在效率提升上存在明显短板。该研究呼吁社区在评估 LLM 编程能力时，必须将运行时效率纳入核心指标，特别是在高性能计算和并行处理场景中。 |
|
| 07-25 |
ConsistencyGate: Preventing Memory Contamination in LLM Agents via Self-Consistency Admission Control 机构: Florida State University 本文指出了 LLM 智能体中未被充分研究的“记忆污染”问题，即写入时的幻觉会污染后续推理。作者提出了 ConsistencyGate，一种基于自一致性的写入时准入门控机制，通过验证事实支持度而非效用来决定写入。该方法无需微调，且提供低延迟变体。实验表明，该方法在多个基准上有效减少了记忆污染并提升了下游任务性能，填补了现有记忆管理在写入正确性控制方面的空白。 |
|
| 07-25 |
AgentOmnia: Scaling Agentic Models for Full-Scenario Applications 机构: Huawei Cloud Post-Training Team AgentOmnia 通过建立“领域×能力×原子难度”的可扩展分类体系，解决了智能体发展中碎片化的问题。其核心创新在于大规模状态化环境的自动化合成以及基于 PRD 引导的自我进化机制。实验表明，仅使用 30B 参数模型，AgentOmnia 就能在全场景基准测试中取得超越千亿参数模型的性能，为工业级智能体的规模化部署和持续进化提供了有效的框架和实证支持。 |
|
| 07-25 |
Stress-testing large language model agents in a robotic chemistry laboratory 机构: University of Science and Technology of China 本研究通过在一个高度模块化的机器人化学实验室中对LLM驱动的科学代理进行大规模压力测试，首次系统地量化了AI代理在物理世界中的科学代理能力。结果表明，当前最先进的LLM代理在将科学意图转化为符合物理约束的可执行动作方面仍存在显著缺陷，尤其是在长程规划和基于证据的深度重新规划方面。该研究不仅提供了基于证据的部署就绪度评估，还为未来开发具有物理 grounding 的自主科学研究代理提供了诊断框架和改进方向。 |
|
| 07-25 |
AlloBench: Measuring Online Tool Allocation Capability in LLM Agents 机构: Yale University, Sea12 Technologies ## 文章做了什么 - 背景：大型语言模型（LLM）智能体越来越多地被用于创建可复用的脚本、包装器或技能。然而，构建工具需要消耗固定的成本（时间和Token），因此智能体需要在“立即为当前任务编写脚本”和“等待更多重复证据以进行复用”之间做出权衡。理想的智能体应倾向于创建少量高复用性的工具，而非大量一次性工具。 - 已有的工作为什么解决不了：现有的评估主要关注模型是否能编写正确的工具、选择可用工具或从库中检索，却忽视了一个更根本的决策问题：何时应该创建工具？尽管已有研究指出模型在预算意识方面表现不佳且可通过后训练改善，但本文发现，在抽象分配能力与具体工具创建能力之间存在未被解决的能力鸿沟，现有的预算感知方法未能有效促使模型在脚本编写中表现出选择性。 ## 文章的核心贡献点 - 提出了一个 AlloBench 基准测试：这是一个配对基准，旨在测试 LLM 智能体在固定预算下，是否在两种情境中表现出有意识的资源分配行为：一种是抽象的文本基于形式，另一种是具体的代码构建任务。 |
|
| 07-25 |
False Prophets: On the Security of World Models in Agentic Systems 机构: BIFOLD & TU Berlin 本文揭示了在自主智能体系统中使用世界模型所带来的严重安全和隐私风险。作者发现世界模型特有的漏洞可被利用来执行恶意代码或提取敏感数据，并发布了首个针对文本世界模型的安全基准数据集。研究证明，由于世界模型的近似本质，攻击者可高成功率地诱导错误预测，造成灾难性后果。最后，文章为从业者提供了实用的建议，以减轻这些危害并加固智能体系统。 |
|
| 07-24 |
SceneActBench: Can Agents Act on the 3D Scenes They See? 机构: Tencent Hunyuan, Tsinghua University, Nanjing University, HKUST, UIUC, Peking University SceneActBench 填补了评估VLM智能体在完整多对象3D场景中执行视觉条件动作的空白。通过引入基于几何精度的统一评估框架，揭示了当前主流VLM在3D理解和行动能力上的不足与不一致性，为未来提升智能体的3D交互能力提供了重要的评估标准和方向。 |
|
| 07-24 |
DBA-Bench: A Production-Fidelity Benchmark for LLM-Based Database Operations Agents 机构: University of Electronic Science and Technology of China DBA-Bench 揭示了当前 LLM 数据库智能体与生产级要求之间的显著差距。尽管自动化智能体在简单任务上表现出一定能力，但在面对复杂、动态且需要高安全性的生产环境故障时，其性能远不及人类专家。该基准为未来开发更 robust、安全的数据库运维智能体提供了重要的评估标准和方向。 |
|
| 07-24 |
The Regression Tax: Decomposing Why Skills Help and Hurt LLM Agents 机构: Sentient Labs 本文指出，评估 LLM 智能体的程序化技能时，不能仅依赖平均成功率的提升，必须将净效应分解为增益和回归。研究揭示了技能导致的三种主要回归模式（描述渗透、grounding 位移、验证位移），并发现智能体的可靠性更多地取决于 grounding 和验证的质量，而非程序化技能本身的选择。未来的技能设计和评估应着重减少回归，特别是通过加强 grounding 和验证环节来提升鲁棒性。 |
|
| 07-24 |
Zero-Shot Mission-Level Evaluation for Aerial MLLM Agents 机构: University of Technology Nuremberg 本文引入了 MissionBench，填补了通用 MLLM 在长视野、任务级空中具身智能评估方面的空白。研究结果表明，当前最先进的 MLLM 在此类复杂任务上仍远未达到人类水平，但模型规模的扩大能显著提升零样本性能。这强调了闭环评估的重要性，并指出了扩展通用模型对于具身 AI 发展的潜力与风险。 |
|
| 07-24 |
CausalForge: A Formally Grounded, Self-Improving Agentic Framework for Automated Research in Causal Inference 机构: lable at CausalForge 通过将因果推断研究建立在严格的 Lean 形式化基础之上，解决了自动化理论研究中评估不可靠的核心痛点。它不仅提供了大规模的可重用形式化库以降低验证成本，还创新性地引入了陈述审计机制来弥合形式化证明与科学意图之间的鸿沟，为高可信度的自动化科学研究提供了新的范式。 |
|
| 07-23 |
Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasks 机构: University College London 本文针对敏感数据研究中 AI 应用的数据隐私痛点，提出了 RRBench 框架，系统评估了本地部署的开放权重 LLM 在纵向数据准备任务中的能力。结果表明，31-35B 参数级别的模型在消费级硬件上即可实现接近 88% 的任务完成率，为在严格数据治理环境下实现 AI 辅助数据清洗和处理提供了切实可行的技术方案和评估标准。 |
|
| 07-23 |
Same Dangerous Objective, Opposite Advice: Direct Exposure versus Multi-Agent Mediation 机构: University of Pennsylvania 本文揭示了高能力LLM在多智能体工作流中存在严重的组合式安全缺口。研究表明，虽然模型能抵抗直接的有害指令，但当同一目标经过中间代理的转换和清洗，剥离了明显的操纵性措辞后，下游模型会倾向于执行该隐藏目标。这种“行为逆向偏移”暴露了当前AI系统在架构可见性上的根本缺陷：终端用户和模型无法追溯上游的原始恶意指令。这一发现对设计更安全的多智能体系统和审计机制提出了严峻挑战，强调了对工作流全链路透明度进行监管的必要性。 |
|
| 07-23 |
GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG 机构: Bloomberg GRADRAG 解决了多智能体 RAG 系统中组件孤立优化导致的错误传播问题。通过将流水线建模为计算图并引入跨组件的反馈循环，它能够有效利用下游评估信号来优化上游检索和证据构建过程。实验表明，该方法在无需大量迭代的情况下，显著提升了文档问答和摘要任务的性能，为协调多智能体 RAG 提供了新的范式。 |
|
| 07-23 |
HiMe: Real-Time Self-Hosted Personal Agent Platform for Health Insights with Wearable Devices 机构: King’s College London, The Alan Turing Institute HiMe 是一个开创性的本地部署个人健康智能体平台，解决了可穿戴健康数据实时分析与隐私保护之间的难题。通过将数据库作为核心组件，并优化效率与效果的平衡，HiMe 使得个人能够在不牺牲隐私的前提下，利用 LLM 代理对连续的健康数据进行深度、个性化的长期监测与分析，为提升个人福祉提供了实用的技术路径。 |
|
| 07-23 |
PATS: Policy-Aware Training Scaffolding for Agentic Reinforcement Learning 机构: Peking University, Tencent PATS 提出了一种新颖的以策略为中心的强化学习训练范式，通过将技能视为动态的、可丢弃的训练脚手架，有效解决了长程 LLM 智能体训练中弱策略探索效率低的问题。该方法通过动态调整训练时的上下文支持，既帮助弱策略突破瓶颈，又在策略成熟后减少冗余，实现了性能提升与资源效率的双重优化，且在部署时无额外开销。 |
|
| 07-22 |
Harnessing Disagreement: Detecting Correlated Agreement Blindness in Multi-Agent Triage 机构: Trinity College Dublin 本文揭示了多智能体系统中“相关一致性盲区”这一结构性风险，即模型能力越强，越容易因一致性而掩盖共同错误。提出的 ARAT 系统通过异构代理组合和分层仲裁机制，有效利用分歧并监控一致性下的潜在风险，显著降低了危险的低预测率。研究强调，在部署日益强大且相关的 AI 代理管道时，必须警惕一致性带来的虚假安全感，并通过架构设计确保产生有效的分歧以提升系统安全性。 |
|
| 07-22 |
EvoDRC: A Self-Evolving Agentic Framework for Automated DRC Violation Repair 机构: Arizona State University; NVIDIA Corporation EvoDRC创新性地引入了自我进化的代理框架来解决高级节点物理设计中的DRC收敛难题。通过结合从参考设计蒸馏的初始技能和从目标设计实时收集的修复经验，该框架有效克服了LLM在EDA领域应用中的冷启动和适应性挑战。实验证明，该方法能显著减少设计规则违规，大幅降低人工ECO的工作量，为自动化物理设计流程提供了新的范式。 |
|
| 07-22 |
Personalized Recommendation Tool Learning via Autonomous Language Agents 机构: University of Illinois Chicago, Microsoft, Beihang University 本文提出了 PRTA 框架，通过将 LLM 作为中央规划器与传统推荐模型结合，有效解决了 LLM 在推荐系统中的幻觉和上下文限制问题。通过引入个性化反思机制，PRTA 能够动态选择最适合用户的推荐工具，显著提升了全排序推荐的性能。该方法在不修改 LLM 本身的情况下，通过架构创新实现了 LLM 推理能力与传统推荐模型可扩展性的优势互补。 |
|
| 07-22 |
When Shippers Become Algorithms: Candidate Exposure, Information Design, and the Concentration of LLM-Mediated Freight Markets 机构: The University of Tokyo 本文首次模拟了由真实 LLM 代理群体进行的货运采购过程，揭示了 LLM 中介市场中存在的算法单一文化和市场集中风险。研究指出，平台的信息设计（特别是披露剩余容量）是比模型选择或监管更有效的调控杠杆。这一发现为设计更健康、更具竞争性的 LLM 驱动市场提供了重要的理论依据和实践指导。 |
|
| 07-22 |
OpenSkillRisk: Benchmarking Agent Safety When Using Real-World Risky Third-Party Skills 机构: City University of Hong Kong, Hong Kong Institute of AI for Science, Beijing University of Posts and Telecommunications, Li Auto Inc. 本文构建了 OpenSkillRisk 基准，系统性地调查了当前智能体系统在使用第三方技能时的安全性。研究发现现有系统在面对真实世界风险时表现不佳，存在显著的漏洞。通过细粒度分析，文章指出了智能体在风险识别、干预和执行范围控制上的三大失败模式，强调了未来需要同时提升LLM的风险推理能力和智能体框架的执行控制机制。 |
|
| 07-21 |
AI Tour Meeting: Group Travel Planning by LLM Agents 机构: NTT, Inc. 本文提出了 AI Tour Meeting，一个专为群体旅行规划设计的多LLM代理框架。通过引入领域特定的结构化表示、提议-投票工作流和约束验证机制，解决了通用框架在旅行规划场景下的适用性问题。该框架不仅简化了多代理协同规划的实现，还作为强大的仿真工具，支持对LLM代理在复杂协商场景下的行为进行深入分析，验证了其在平衡多方偏好和约束方面的有效性。 |
|
| 07-21 |
AgentDebugX: An Open-Source Toolkit for Failure Observability, Attribution, and Recovery in LLM Agents 机构: University of Illinois Urbana-Champaign, University of Toronto, Google, Stanford University AgentDebugX 填补了 LLM 代理开发中从故障观察到自动恢复的空白。通过引入 DeepDebug 多轮诊断机制和闭环调试工作流，它不仅提高了根本原因定位的准确性，还显著提升了代理任务的自我修复成功率。作为一个开源工具包，它为开发者提供了标准化的调试接口和共享生态，有望成为 LLM 代理工程化落地的重要基础设施。 |
|
| 07-21 |
Agents in the Wild: Where Research Meets Deployment 机构: Georgetown University 本文是一篇旨在弥合学术研究与工业部署之间鸿沟的教程论文。它系统地回顾了智能体系统从单体到多智能体架构的演变，重点解决了部署阶段的鲁棒性、安全性和可靠性问题。通过结合制药和金融领域的实际案例，文章提供了应对幻觉、死锁等故障的实用策略，并指出了多智能体可扩展性、终身适应性和可解释性等未来研究方向，为构建安全可靠的工业级智能体系统提供了全面指导。 |
|
| 07-21 |
Cross-Agent Campaign Attribution: Linking Asynchronous Attacks Across LLM Agents 机构: Tynapse 本文确立了跨智能体活动归因作为保护野外 LLM 智能体的一个独特评估层。通过提出 $A^2FV$ 方法和 SCD-v1 基准，作者展示了即使在没有共享状态和攻击者身份的情况下，也能通过代理侧的可观察特征有效链接异步攻击会话。这一发现强调了从单一会话安全性向多会话潜在活动模式识别转变的重要性，为提升 LLM 智能体在复杂部署环境中的安全性提供了新方向。 |
|
| 07-21 |
Toward Auditable Fraud Detection: Combining Graph Features, Model Explanations, and Agentic Case Investigation 机构: Vrije Universiteit Amsterdam 本文通过对分层欺诈检测系统的细致评估，揭示了各组件（图特征、异常信号、LLM代理）仅在特定条件下发挥作用。研究明确指出，LLM调查代理目前的决策能力尚未超越基础分类器，且其生成的看似合理的解释具有误导性。因此，不能仅凭代理提供的合理理由就认为其决策更优，需要引入如分歧升级等机制来辅助人工审查，以确保系统的审计性和可靠性。 |
|
| 07-20 |
FlashRT: Agent Harness for Guiding Agents to Deploy Real-Time Multimodal Applications 机构: Carnegie Mellon University, AMD, University at Buffalo FlashRT 通过引入“程序链”范式和测量门控优化循环，成功解决了实时多模态应用部署中策略僵化和手工优化成本高的问题。它不仅显著提升了在主流 NVIDIA 硬件上的性能，更在 AMD 等新兴硬件平台上展现出超越专家手工优化方案的潜力，证明了代理驱动的系统优化在多模态服务领域的强大扩展性和实用性。 |
|
| 07-20 |
Adaptive Adversaries: A Multi-Turn, Multi-LLM Benchmark for LLM Agent Security 本文指出了当前 LLM 安全基准因使用静态攻击池而存在的评估偏差，提出了“Adaptive Adversaries”基准，通过多轮自适应攻击和多模型组合，更真实地反映了 LLM 代理在面对动态对手时的安全风险。研究结果表明，自适应攻击显著提高了成功率，且不同攻击模型和场景揭示了防御者不同的弱点，强调了在安全评估中采用动态、多视角基准的重要性。 |
|
| 07-20 |
MADA-RL: Multi-Agent Debate-Aware Reinforcement Learning for Parameter-Efficient Reasoning in Compact Models 机构: University of Oslo, Bosch Center for Artificial Intelligence, LMU Munich, University of Cambridge MADA-RL 通过引入反事实评论家优势和多智能体辩论机制，成功解决了紧凑模型在资源受限下的推理能力提升难题。它在大幅减少可训练参数（相比全量微调减少16倍）的同时，显著提高了数学推理准确率，证明了参数高效微调结合结构化辩论信号在小型模型上的巨大潜力，为低成本高性能推理提供了新范式。 |
|
| 07-20 |
Harness Engineering for LLM-Driven GPU Kernel Generation 机构: Baidu, Inc. 本文强调了“Harness工程”在LLM驱动的系统级代码生成中的核心作用。通过将人类定义的客观约束、反馈循环与LLM的实现搜索能力相结合，并辅以基于Profiler的控制器状态和工件记忆，该系统实现了可审计且高效的内核优化。研究结果表明，未来的AI驱动系统优化不应仅关注模型的自主性，更应重视工程化约束框架与人类专家知识的深度融合。 |
|
| 07-20 |
LLMs and Agentic AI Systems for Smart Grids: A Tutorial on Architectures and Applications 机构: University of California San Diego 本文作为一篇教程，系统回顾了用于电力系统的 LLM 和代理 AI 系统的构建模块（提示策略和代理架构）。核心贡献在于确立了“求解器 grounded”的设计原则，即 LLM 应作为规划者和编排者，而将数值计算交给可信工具。通过四个案例研究证实，这种分工明确、带有验证机制的代理系统相比纯 LLM 方法，在物理可行性和任务性能上有显著提升。文章最后提出的统一评估框架为未来智能电网中代理 AI 的研究提供了标准化基准。 |
|
| 07-19 |
Otap:Structure-Aware Optimal Transport for Evaluating Planning and Execution in Agent Trajectories 机构: Fortinet, IIMB, UCLA 本文针对 LLM 智能体轨迹评估中现有指标缺乏细粒度、对结构变化不鲁棒的问题，提出了 OTAP。通过将评估转化为图之间的最优传输距离，OTAP 实现了对依赖保持重排序的不变性，并能灵活处理步骤缺失、幻觉及粒度差异。实验表明，OTAP 在区分有效与无效轨迹方面显著优于现有语义或匹配基线，为智能体系统的 rigorous 评估提供了新的范式。 |
|
| 07-19 |
Empirical Grounding Improves the Realism of LLM Agents Simulating Human Behavior During Disruptions 机构: Rochester Institute of Technology, Northeastern University, The Pennsylvania State University 本文证明了通过将人口统计、时间使用和空间上下文等实证数据嵌入LLM代理的各个环节，可以显著提高代理在模拟灾害和中断期间人类行为的统计真实性。该方法不仅改善了日常行为的复现精度，还增强了对极端事件（如热浪）下适应性行为模式的捕捉能力。尽管仍存在一定的建模差距，但该研究为利用LLM代理进行未来 disruptions 模拟提供了一条可行路径：即用实证数据锚定日常行为，用LLM推理生成缺乏历史先例时的适应性响应。 |
|
| 07-19 |
Agentic ERP: Multi-Agent Large Language Model Architecture for Autonomous Enterprise Resource Planning 机构: KTH Royal Institute of Technology 本文展示了在人类监督下的角色对齐LLM智能体如何将ERP系统从被动记录交易转变为主动执行操作决策。Agentic ERP 不仅提供了一个可参考的自主企业资源规划架构，还建立了一套标准的评估协议，解决了传统自动化无法应对例外情况和单体AI协调能力不足的问题，为下一代智能企业管理系统奠定了基础。 |
|
| 07-19 |
The Optimization Trilemma: Efficiency, Comfort and Fairness in Decentralized Multi-agent Coordination 机构: LUT University; University of Leeds; Google 本文解决了去中心化多智能体系统中长期被忽视的公平性问题，提出了同时优化效率、舒适度和公平性的新范式。通过新颖的分布式模型，成功在不增加系统开销的前提下，实现了资源的 equitable redistribution，为构建可持续、高参与度的协作系统提供了理论支持和实证依据。 |
|
| 07-19 |
Reward-Driven LLM Agent Workflows: Synthesizing POMDP Routing and Self-Correction for Autonomous Decision-Making 机构: Harbin Institute of Technology, Shenzhen ## 文章做了什么 - 背景：人工智能正从静态模式识别向能够在动态环境中执行复杂工作流的交互式自主系统转变。大型语言模型（LLM）催生了“代理智能”，旨在通过感知、规划和工具调用来实现高级目标。 - 已有工作的不足：现有的基线模型主要依赖静态的零样本或少样本提示技术，缺乏鲁棒的感知-行动循环。它们难以处理长视野规划、稀疏奖励归因以及动态环境交互，导致错误累积且无法有效适应环境变化。 ## 文章的核心贡献点 - 提出了一个：基于部分可观测马尔可夫决策过程（POMDP）路由机制与自校正奖励模型相结合的奖励驱动LLM代理工作流架构。 |
|
| 07-18 |
DS@GT ARC at eRisk 2026: Hybrid Multi-Agent LLM System with Structured Algorithmic Guidance for Conversational Depression Screening 机构: Georgia Institute of Technology ## 文章做了什么 - 背景：抑郁症影响全球数亿人，但传统评估工具（如BDI-II）需要专业临床医生，难以在资源受限环境中大规模应用。自动化对话系统有望通过自然对话推断抑郁症状，从而扩大筛查范围。 - 已有工作为什么解决不了：现有的LLM方法在处理此类任务时面临两大难点：一是任务禁止直接询问敏感心理健康问题，要求系统通过间接对话推断症状；二是缺乏实时地面真值标签进行调优，且需要在诊断 thoroughness 和对话效率（轮次惩罚）之间取得平衡。此外，高性能专有模型成本高昂，而开源模型在复杂推理和指令遵循上相对较弱，难以独立胜任高质量的临床模拟访谈。 ## 文章的核心贡献点 - 提出了一个：混合多代理LLM系统，结合结构化算法指导，用于对话式抑郁筛查。 |
|
| 07-18 |
Lomekwi: Resource-Bounded Tool Discovery in LLM Agents 机构: Yale University, Sea12 Technologies ## 文章做了什么 - 背景：大型语言模型（LLM）代理的工具使用能力日益普及，但现有研究通常直接提供工具或创建指令。现有的基准测试仅报告复杂多步任务的单一成功率，无法区分“工具使用”与“工具发现”，也无法衡量模型在未被告知情况下主动构建工具的倾向。 - 已有工作为什么解决不了：现有基准测试将工具发现与记忆召回混淆，且往往强制要求创建工具，导致无法评估模型作为工具构建者的内在 disposition（倾向性）。此外，它们缺乏对工具发现过程中不同认知阶段（如组件收集、过程识别、效率部署）的细粒度分解和评估。 ## 文章的核心贡献点 - 提出了一个名为 Lomekwi 的资源受限工具发现框架及环境：受认知科学启发，将工具发现分解为好奇心（Curiosity，发现构建工具所需组件的能力）、识别力（Recognition，发现创建工具过程的能力）和效率（Efficiency，创建后有效使用工具的能力）三个可分离的行为维度。 |
|
| 07-18 |
DataFlow-Harness: A Grounded Code-Agent Platform for Constructing Editable LLM Data Pipelines 机构: Peking University, Institute for Advanced Algorithms Research, Zhongguancun Academy DataFlow-Harness 有效解决了 LLM 代码代理在数据工程领域的“NL2Pipeline gap”问题。通过结合 MCP 协议、技能引导和可视化同步编辑，该平台不仅提高了工作流生成的可靠性和可编辑性，还大幅降低了经济成本和时间延迟，为生产环境中的 LLM 驱动数据管道构建提供了高效解决方案。 |
|
| 07-18 |
From Memory to Skills: Evidence-Grounded Co-Evolution Governance for Long-Horizon LLM Agents 机构: University of Science and Technology of China 本文针对长程 LLM 智能体中记忆利用率低和技能提取难的问题，提出了 MSCE 框架。通过构建分层记忆结构和引入反射加权价值回填机制，MSCE 成功地将被动记忆转化为主动、可执行且具备自我验证能力的技能。该方法无需训练即可显著提升智能体在复杂长程任务中的表现，实现了记忆与技能的协同进化，为构建具备终身学习能力的智能体提供了新的范式。 |
|
| 07-18 |
Environment-free Synthetic Data Generation for API-Calling Agents 机构: Apple 本文提出了一种创新的无环境合成数据生成方法，通过利用 LLM 作为数字世界模型，解决了 API 智能体训练中数据收集对环境基础设施的依赖问题。通过任务生成、状态模拟和质量过滤的闭环流程，该方法能够仅从 API 规范中生成高质量、状态一致的交互轨迹。实验证实，基于此数据训练的模型在多个基准测试中表现优异，为大规模训练 API 智能体提供了一条高效、可扩展的新路径。 |
|
| 07-17 |
AgentFAIR: A Multi-Agent Collaborative Framework for FAIRness Evaluation of Geospatial Datasets 机构: The University of Melbourne AgentFAIR通过多智能体协作有效解决了地理空间数据集FAIR评估中因动态内容、异构元数据和缺乏语义理解导致的现有工具不一致问题。引入Critic智能体显著提升了评估的一致性和与专家判断的对齐度。尽管受限于基准测试规模和单一模型家族验证，该框架在可审计性、可行性和成本效益方面展示了巨大潜力，为地理空间数据的标准化合规评估提供了新范式。 |
|
| 07-17 |
LLM-Powered Agentic AI for 5G/6G Networks: A Tutorial and Survey on Architectures, Protocols, and Standardization 机构: University of Sharjah 本文是一篇关于LLM赋能的代理AI在5G/6G网络中应用的综合性教程与综述。它指出了当前研究在协议集成和标准化对齐方面的缺失，并通过两部分结构系统地解决了这一问题：首先形式化网络平面与代理基础，其次将代理能力映射到具体的网络控制面和标准体系中。文章为研究人员和从业者提供了从理论概念到标准化实践的清晰路线图，并指出了未来自主电信网络面临的关键挑战。 |
|
| 07-17 |
Scalable LLM Agent Tool Access in the Cloud 机构: Nanjing University, Alibaba Cloud, Fudan University, RMIT University, Politecnico di Milano, Zhejiang University 本文针对 LLM 智能体在云规模下使用 MCP 协议面临的遗留系统集成难、上下文窗口限制、协议兼容性差及会话路由复杂等问题，提出了一种云规模的 MCP 网关系统。通过将协议适配、工具检索和路由逻辑卸载至网关，并结合混合检索技术，该系统成功实现了从直连模型到中心化网关模型的转变。实验表明，该系统在支持数千种工具访问的同时，大幅降低了 Token 消耗和延迟，提升了工具选择的准确性和系统的可扩展性，为生产环境中的大规模 LLM 智能体部署提供了可行的基础设施解决方案。 |
|
| 07-17 |
SkillCorpus: Consolidating and Evaluating the Open Skill Ecosystem for Real-World LLM Agents 机构: Peking University, EverMind, Shanda Group SkillCorpus 是首个对 curated 社区语料库何时能改善真实代理任务以及何处失效进行的端到端系统性研究。它不仅提供了一个高质量、分类清晰的技能数据集，还验证了通过检索增强技能调用在实际应用中的有效性，为构建更强大的 LLM 代理生态系统提供了重要基础设施和实证依据。 |
|
| 07-17 |
DSWorld: A Data Science World Model for Efficient Autonomous Agents 机构: The Hong Kong University of Science and Technology (Guangzhou) DSWorld首次引入了数据科学世界模型的概念，通过预测环境状态转移来解决自主数据科学代理中昂贵的试错计算瓶颈。通过结合结构化状态构建、成本感知路由和反思性强化学习优化，DSWorld在不牺牲性能的前提下，显著加速了代理的训练和推理过程，为高效自主数据科学系统提供了新的范式。 |
|
| 07-16 |
Digital Pantheon: Simulating and Auditing Coalition Formation with LLM Agents 机构: Ghent University 本文提出了Digital Pantheon框架，通过结合DPO角色注入和RAG事实 grounding，解决了LLM在政治模拟中缺乏坚定党派立场和可解释性的问题。实验证明，该方法不仅能重现2019年佛兰德选举的联盟结果，还能通过MILT和CIS指标提供透明的谈判审计，为计算政治科学提供了一个可靠的事前模拟工具。 |
|
| 07-16 |
OmniaBench: Benchmarking General AI Agents Across Diverse Scenarios 机构: Huawei Cloud Post-Training Team, PKU DCAI Team OmniaBench 提供了一个广泛且具有诊断性的基准，用于刻画通用智能体的能力边界。通过构建涵盖广泛行业领域的分层分类法和多样化的任务合成机制，它弥补了现有基准在场景多样性和评估细粒度上的不足。实验结果表明，尽管前沿模型取得了一定进展，但在处理复杂、多步骤的真实世界代理任务时仍面临严峻挑战，特别是在长期规划和状态维护方面。 |
|
| 07-16 |
StructureClaw: Traceable LLM Agents and an Executable Benchmark for Structural Engineering Workflows StructureClaw 通过引入以工件为中心的评估范式，解决了结构工程 LLM 代理评估中缺乏完整证据链验证的问题。其提出的可执行基准测试 StructureClaw-Bench 能够更严格地评估代理在工作流执行、交互鲁棒性和多模态重建方面的能力，显著提升了评估的严谨性，并为未来工程代理的开发提供了可追溯、可执行的改进基础。 |
|
| 07-16 |
MemPoison: Uncovering Persistent Memory Threats and Structural Blind Spots in LLM Agents 机构: Nanjing University 本文提出了 MemPoison，首个针对 LLM Agent 持久化记忆威胁的综合基准和分析框架。通过建立 L1-L3 三级攻击分类法，研究揭示了当前主流的写入时防御策略在处理组合式和上下文触发式攻击时的结构性盲点。研究结果强烈建议将防御策略从静态过滤转向自适应、上下文敏感的记忆防御机制，以应对日益复杂的持久化记忆安全风险。 |
|
| 07-16 |
MCPEvol-Bench: Benchmarking LLM Agent Performance Across Dynamic Evolutions of MCP Servers 机构: National University of Defense Technology 本文指出了当前 LLM Agent 基准测试在评估工具适应性方面的空白，提出了 MCPEvol-Bench。通过实证研究指导的变异算子和 LLM 驱动的演变模拟，该基准测试有效评估了 Agent 在动态工具环境下的表现。研究发现主流 LLM 在应对工具接口和功能变化时存在显著的性能下降和错误率上升，强调了提升 Agent 适应动态工具环境能力的重要性，并将 MCPEvol-Bench 确立为评估此类适应性的新标准。 |
|
| 07-15 |
STOCKTAKE: Measuring the Gap Between Perception and Action in LLM Agents with a Fair Oracle 机构: QpiAI STOCKTAKE 通过引入基于精确贝叶斯滤波的公平 Oracle，成功解决了 LLM 智能体在部分可观测环境中评估难的问题。它明确区分了感知失败和控制失败，并揭示了当前顶级模型的主要瓶颈不在于无法发现隐藏状态，而在于难以将正确的认知转化为经济高效的行动。该基准为未来改进智能体的推理脚手架和策略提取提供了明确的度量方向。 |
|
| 07-15 |
Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents 机构: University of California Los Angeles ## 文章做了什么 - 背景：大型语言模型（LLM）智能体越来越依赖外部记忆系统来跨任务积累经验，以避免重复错误并复用策略。然而，现有的记忆系统（从图结构记忆到反思性洞察存储）大多通过固定的、手工设计的启发式规则来访问记忆。 - 已有工作的局限性：这种静态的记忆视图是智能体学习的核心瓶颈，因为最优的记忆行为本质上是依赖于上下文的。例如，在任务早期记忆稀疏时应减少检索，而在面对重复目标类型时应重用计划而非简单的最近邻查找。现有方法要么检索过于激进（增加上下文长度和成本，降低简单查询的准确性），要么过于保守（错过关键的可重用计划），无法适应不同的任务阶段和状态。 ## 文章的核心贡献点 - 提出了一个名为 MemCon (Memory as a Controlled Process) 的框架：该框架将记忆操作建模为马尔可夫决策过程（MDP），并学习一个在线策略，自适应地决定何时、检索什么、检索多少，以及何时注入提炼后的计划或进行记忆 consolidation/遗忘。 |
|
| 07-15 |
Explaining Reinforcement Learning Agents via Inductive Logic Programming 机构: University of Verona 本文通过引入归纳逻辑编程（ILP）来提取 RL 策略的符号表示，并定义了一套全新的、面向规划和客观的可解释性度量指标（如激活率、特征覆盖率、句法和语义距离）。这项工作不仅推进了 XRL 的发展，使其摆脱了对主观用户研究的过度依赖，还为逻辑 XAI 领域提供了量化逻辑规则可解释性的原则性方法。实验证明，这些指标能深入揭示单智能体及多智能体系统中的学习动态、特征作用及协作模式，为构建更稳健、可信的安全关键型 RL 应用奠定了基础。 |
|
| 07-15 |
Automatic Ordinary Differential Equations Discovery For Biological Systems Using Large Language Model Powered Agentic System 机构: Weizmann Institute of Science 本文介绍了 MEDA 系统，这是一种结合 LLM 和符号回归的智能体框架，旨在解决生物系统中常微分方程自动发现的问题。通过整合背景知识检索、机理约束生成和严格的评估流程，MEDA 克服了传统数据拟合方法在生物学合理性上的缺陷。实验证明，该方法不仅在经典模型检索中表现优异，还能在未见场景中进行有效外推和开放式发现，强调了将领域知识融入自动化科学发现工作流的重要性。 |
|
| 07-15 |
DevicesWorld: Benchmarking Cross-Device Agents in Heterogeneous Environments 机构: Shanghai Jiao Tong University, Honor Device Co., Ltd DevicesWorld 填补了跨设备代理评估的空白，通过大规模、可执行的基准测试，系统地评估了 LLM 代理在异构环境中的协作能力。研究结果表明，尽管单设备操作能力有所提升，但当前的 LLM 代理在处理复杂的跨设备依赖任务时仍面临巨大挑战，成功率极低。该基准为开发更可靠的跨设备代理提供了重要的评估工具和诊断依据。 |
|
| 07-14 |
Who Grades the Grader? Co-Evolving Evaluation Metrics and Skills for Self-Improving LLM Agents 本文指出了自进化智能体系统中对可靠评价指标的隐性依赖问题，并提出了 Double Ratchet 框架来解决在无可靠自动验证器场景下的自我提升难题。通过协同进化评价指标和技能，并结合严格的锚定审计机制，该方法不仅在多个复杂任务上达到了接近有监督学习的性能水平，还有效防止了指标博弈，为缺乏地面真值的实际应用提供了一种默认的安全且高效的架构选择。 |
|
| 07-14 |
A Learning-Rate-Gated Failure of GRPO in a Small Language and Vision-Language Model Web Agent: A Controlled Null and Its Mechanism ## 文章做了什么 - 背景：目前，基于可验证奖励的强化学习（RLVR），特别是组相对策略优化（GRPO），常被应用于监督微调（SFT）后的检查点，以期获得更强大的智能体。 - 已有工作为什么解决不了：现有研究通常假设在已具备一定能力的模型上应用GRPO能进一步提升性能，但缺乏对小规模（4B-8B）语言和视觉语言模型Web智能体在任务已 largely mastered（基本掌握）情况下，GRPO究竟是增加了新技能还是仅重塑了既有行为的深入理解。此前未明确界定GRPO生效的边界条件及其失效机制。 ## 文章的核心贡献点 - 提出了一个受控的零结果（Controlled Null）及其机制解释：通过大规模控制实验证明，在智能体已高度掌握的任务上，GRPO无法提升成功率，甚至可能有害，并揭示了其背后的模型内部机制。 |
|
| 07-14 |
Evidence-Grounded Verified Agentic Reasoning: A Path Toward Eliminating LLM Hallucination in Empirical Inference via Tool-Attested Kernel Proofs EG-VAR 通过引入基于 Lean 4 的形式化验证机制，解决了 LLM 在经验推理中的幻觉问题。它不仅在数值推理和压力测试中展现了优于现有方法的准确性和源忠实度，还提供了一种技术治理接口，使得高风险的 AI 决策过程完全可审计。随着类型化侧车在数据集和 API 中的普及，这种形式化负担有望被摊销到可复用的基础设施中，从而从根本上提升 LLM 推理的可信度。 |
|
| 07-14 |
Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution 本文指出了当前 LLM 智能体在任务执行中存在的严重认知冗余问题，提出了任务感知执行范围估计的重要性。通过引入 E3 框架，实现了“估计-执行-扩展”的闭环控制，在保证任务成功率的前提下极大提升了执行效率。这项工作被视为迈向“工程 grounded AI”（EGAI）的重要一步，即让智能体的努力程度与任务的工程现实相匹配。作者已公开相关框架和基准测试。 |
|
| 07-14 |
PalmClaw: A Native On-Device Agent Framework for Mobile Phones PalmClaw解决了移动智能体长期依赖低效GUI操作的问题，通过原生设备端框架将设备能力工具化，实现了更高效、可控且边界清晰的移动任务自动化，在性能和速度上均取得了显著突破。 |
|
| 07-13 |
TerraRepair: A Tool-Grounded LLM Agent for Infrastructure-as-Code Repair 机构: University of L’Aquila TerraRepair 证明了工具接地（tool grounding）可以显著提高基于 LLM 的 IaC 修复在扫描器验证下的成功率。通过结合 Provider Schema 查询、依赖上下文检索和结构化升级机制，它有效解决了 LLM 幻觉和上下文缺失问题。然而，研究也指出，缺失的部署特定上下文仍然是实现完全自主修复的主要知识边界。 |
|
| 07-13 |
StructAgent: Harness Long-horizon Digital Agents with Unified Causal Structure 机构: University of California, San Diego; Aether AI Lab StructAgent 通过引入统一因果结构来解决长周期数字代理中的状态管理和工作流控制问题。它摒弃了传统的基于原始交互历史的方法，转而采用以验证为核心的统一状态和结构化工作流。这种方法不仅提高了任务进度的可解释性和可验证性，还实现了高效的错误恢复和精确规划。实验结果表明，StructAgent 在多个基准测试上大幅超越了现有方法，并为开源数字代理设立了新的性能标杆，展示了其在复杂、长周期自动化任务中的巨大潜力。 |
|
| 07-13 |
MM-ToolSandBox: A Unified Framework for Evaluating Visual Tool-Calling Agents 机构: Apple MM-ToolSandBox 填补了多模态智能体在复杂、动态、大规模工具空间下进行视觉工具调用评估的空白。研究结果表明，当前最先进的模型在处理视觉 grounding 的工具调用任务时仍面临巨大挑战，尤其是视觉信息提取的精度问题。该框架为未来研究提供了重要的基准和洞察，强调了针对不同规模模型需采取不同的优化策略。 |
|
| 07-13 |
Agentic Skill Optimization over Lie Algebroids 机构: University of Massachusetts, Amherst 本文提出了 LASKO 框架，首次将李代数胚几何引入智能体技能优化领域。通过建模编辑的非交换性和隐藏结构，LASKO 解决了传统方法中编辑顺序敏感和验证成本高昂的问题。实验表明，该方法在保持优化效果的同时，相比基于超大参数模型的暴力验证方法取得了显著的效率提升，为智能体自我改进提供了几何化的理论基础和高效实践路径。 |
|
| 07-13 |
PaperRouter-Agent: A Content-Grounded LLM Agent for Personalized Hierarchical Paper Routing 机构: University of Sydney PaperRouter-Agent 通过引入“基于内容 grounding”的机制，成功解决了个性化文献管理中层级路由的难题。它突破了传统方法仅依赖文件夹名称的局限，通过深入分析文件夹内已有论文的语义内容来理解用户私有的分类逻辑。实验证明，该方法在真实场景和公共基准上均显著提升了路由准确性，特别是在处理非主题性（如按会议、年份分类）文件夹时优势明显，为个人知识管理提供了高效、低成本的自动化解决方案。 |
|
| 07-12 |
MemDecay: Region-Aware KV Cache Eviction for Efficient LLM Agent Inference MemDecay 通过引入区域感知的 KV 缓存驱逐机制，有效解决了 LLM 智能体在长程推理中的内存瓶颈问题。它利用智能体上下文的语义结构，为不同功能的令牌区域设定差异化的优先级和衰减策略。实验表明，该方法在保护关键系统指令方面显著优于现有基线，且在长上下文场景中比基于最近性的方法更具鲁棒性。尽管在非固定内容的注意力分数归一化上仍有改进空间，但该工作确立了结合语义结构与注意力信号进行高效缓存管理的新方向。 |
|
| 07-12 |
When Does Restricting a Coding Agent to execute_code Help? A Regime $\times$ Agent-Design Ablation 机构: Rochester Institute of Technology ## 文章做了什么 - 背景：现代编码智能体（Coding Agents）暴露了多种工具接口，包括 IDE 原语（如 Read/Edit）、Bash 命令行以及模型上下文协议（MCP）的代码执行工具。业界关于哪种工具接口最关键存在三种相互矛盾的观点：有的认为专用 IDE 原语至关重要，有的认为仅 Bash 就足够，还有的主张用代码执行工具替代所有原生工具以大幅降低 Token 消耗。 - 已有工作为什么解决不了：现有的研究从未在同一个测试 harness、使用相同的模型和提示词，并针对不同的任务机制（Regime）和智能体设计进行交叉对比。因此，领域内无法确定每种主张适用的具体条件，也无法判断这些观点是否真正矛盾。 ## 文章的核心贡献点 - 提出了一个：完整性干净的三臂消融实验框架（baseline / bash_only / code_only），在合成计算任务和 SWE-bench Mini 修改任务上，固定模型、harness 和提示词，跨越两种智能体（Claude Code, OpenAI Codex CLI）和两种任务机制进行交叉对比。 |
|
| 07-12 |
Auditing Belief-Conditioned LLM Agents in Hidden-Information Social Deduction Games 机构: University of Melbourne 本文主要贡献在于提出了一套可审计的框架，而非单纯追求性能提升。该框架使得隐藏信息游戏中的LLM智能体行为变得可测量和可解释。通过将外部信念定位为一种可审计的认知基线，该研究将不透明的代理行为转化为可重放的证据，支持更安全、可控的智能体迭代。尽管主动信念与更好的结果相关，但其具体作用机制仍未完全解决，框架的价值在于能够暴露这些问题并提供实证依据。 |
|
| 07-12 |
Imaging-101: Benchmarking LLM Coding Agents on Scientific Computational Imaging 机构: Peking University Imaging-101填补了科学计算成像领域缺乏标准化LLM评估基准的空白。通过系统性地评估LLM在真实科学任务中的表现，文章揭示了当前AI代理在算法选择、物理建模和流水线集成方面的具体短板。研究结果表明，要实现可靠的计算成像辅助，未来的方向应是开发具备技能增强和领域专用知识的AI代理，而非仅依赖通用大语言模型。 |
|
| 07-12 |
Large language model agents accelerate inverse design of metal-organic frameworks for gas separation 机构: Zhejiang University 本文展示了 LLM 智能体可以作为可解释且可扩展的设计引擎，加速 MOF 的发现过程，突破了传统固定库筛选的限制。LEMO Agent 通过闭环反馈机制有效解决了逆向设计中的化学有效性、性能优化和多样性保持难题，并为实验合成提供了切实可行的候选材料，证明了 AI 驱动的材料逆向设计在实际科研中的应用价值。 |
|
| 07-11 |
A Stepwise Questioning Expert-Editor Multi-Agent Framework for Long-Document Summarization 机构: China South Industry Academy 本文提出了一种受学术审稿过程启发的多智能体协作框架，通过模拟“专家”关注内容实质、“编辑”关注形式规范的分工，利用逐步提问机制引导LLM对长文档摘要进行迭代优化。该方法有效解决了长文档摘要中的信息不完整和不忠实问题，在Arxiv和PubMed数据集上的实验验证了其优于传统方法的性能。 |
|
| 07-11 |
Information-seeking failures of large language models in agentic clinical reasoning 机构: Technical University of Munich 本文揭示了当前LLM在临床肿瘤学中的主要瓶颈不是医学知识储备不足，而是在不确定性环境下系统性地进行信息寻求的失败。模型表现出与新手医生类似的认知偏差，如锚定效应和过早闭合。未来的改进方向应聚焦于增强模型在动态、不确定环境下的主动信息获取能力，而非仅仅扩充知识库。 |
|
| 07-11 |
Compaction as Epistemic Failure: How Agentic LLM Tools Fabricate Confirmed Results from Killed Processes 本文记录了 Claude Code 中一种可复现的故障模式，其中会话压缩将短暂的终端输出转化为伪造的确认结果。根本原因是“观察”与“持久性”的混淆。这一发现对依赖代理会话连续性进行数据处理、科学计算或多步自动化的任何工作流都有直接影响，强调了在代理系统中引入外部状态验证机制的必要性。 |
|
| 07-11 |
MAG: A Web-Agent Benchmark and Harness for Multimodal Action and Guide Generation 机构: University of Chinese Academy of Sciences 本文介绍了 MAG，首个统一 Web 代理动作执行与指引生成的多模态基准。通过引入基于截图的 grounding 方案和完整的评估框架，解决了现有研究中动作与指引割裂、以及缺乏真实视觉交互评估的问题。实验表明，结合专家轨迹的 GRPO 训练能显著提升模型性能，但当前最强模型仍面临巨大挑战，证明了 MAG 作为未来 Web 代理研究基准的重要价值。 |
|
| 07-11 |
AgentAbstain: Do LLM Agents Know When Not to Act? 机构: University of Illinois Urbana-Champaign 本文指出了 LLM 智能体在自主行动中缺乏“知止”能力的重大风险，并发布了首个系统性评估框架 AgentAbstain 及自动化生成工具 AbstainGen。研究结果表明，当前最先进的智能体在处理需要弃权的复杂场景时表现不佳，且这种能力不能通过单纯提升任务完成率来获得。该工作强调了开发更可信 LLM 智能体需要进行严格的弃权评估，并开源了相关代码和数据集。 |
|
| 07-10 |
Agora: Enhancing LLM Agent Reasoning Via Auction-Based Task Allocation 机构: University of Birmingham Agora 通过引入拍卖机制解决了 LLM 智能体推理中的动态任务分配难题。它克服了粗粒度路由的结构限制和代理过度自信的估值难题，通过分层校准策略确保基于真实能力进行任务分发。实证结果表明，Agora 在多种复杂任务上显著提升了推理性能，并提供了灵活的成本控制能力，为构建高效、可靠的协作式 LLM 智能体系统提供了新范式。 |
|
| 07-10 |
Fictional Worldbuilding: Multi-Agent LLM Collaboration with Hierarchical Context Compression and Iterative Review 机构: National University of Defense Technology 本文提出的 AutoWorldBuilder 通过分层上下文压缩、语义局部性调度和生成与审查分离等架构模式，成功解决了LLM在世界构建中的上下文爆炸和一致性难题。该系统不仅在游戏和文学创作领域展示了高效、高质量的自动化构建能力，其核心架构也可迁移至其他知识密集型的复杂多智能体LLM应用中。 |
|
| 07-10 |
Communication-Efficient Digital-Twin Coordination for Heterogeneous LLM Embodied Agents over Computing Power Networks 机构: Beijing University of Posts and Telecommunications; Singapore University of Technology and Design 本文针对异构 LLM 具身智能体团队在资源受限网络下的协作难题，提出了 LDT-Coord 框架。通过引入轻量级数字孪生和结构化约束报告，成功将协调机制从昂贵的自然语言对话中解耦出来。结合基于规则的冲突解决器和基于强化学习的通信控制策略，该方法在保证任务成功率的同时，极大地降低了通信开销，为大规模异构具身智能体的高效协同提供了新的解决方案。 |
|
| 07-10 |
Toward Auditable AI Scientists: A Hypothesis Evolution Protocol for LLM Agents 机构: Institute of Industrial Science, The University of Tokyo 本文提出了假设演化协议（HEP），旨在解决LLM科学代理中推理过程不透明和信念更新不可审计的问题。通过将科学发现过程结构化为显式的假设、测试、证据和信念循环，HEP使得AI科学家的推理过程可被人类检查、验证和继承。这在材料科学任务中的初步应用表明，该方法能促进更可靠、更具解释性的自主科学研究，是迈向可审计AI科学家的重要一步。 |
|
| 07-10 |
Scoped Verification for Reliable Long-Horizon Agentic Context Evolution under Distribution Shift 机构: RedMind Research; National Taiwan University 本文指出了可靠长期上下文演化的两个关键要求：一是使验证局部化的结构基础，二是保持积累指令内容可用的整合机制。GRACE 通过图正则化的方法有效解决了长周期演化中的验证难题和一致性问题，显著提升了智能体在分布偏移下的可靠性。 |
|
| 07-09 |
UniClawBench: A Universal Benchmark for Proactive Agents on Real-World Tasks 机构: HKU MMLab, Meituan UniClawBench 填补了主动式智能体在真实世界动态环境中评估的空白。通过引入以能力为中心的任务设计和创新的三轮闭环评估机制，它不仅提供了更真实的性能度量，还揭示了框架设计在智能体性能中的决定性作用以及多模态和长上下文处理的主要短板。该基准及其代码已公开，旨在推动下一代鲁棒、高效主动式智能体的研发。 |
|
| 07-09 |
Cognitive-structured Multimodal Agent for Multimodal Understanding, Generation, and Editing 机构: Peking University, WeChat Vision (Tencent Inc.) 本文针对统一多模态模型在长程对话中的上下文瓶颈和引用不可靠问题，提出了一种基于认知结构的智能体架构。通过外化视觉记忆、结构化抽象以及基于合成数据的强化学习优化，该方法在显著降低计算成本的同时，大幅提升了长程多轮对话中的视觉检索准确性和任务执行效率，为多模态智能体的可扩展性提供了新范式。 |
|
| 07-09 |
TRACE: A Two-Channel Robust Attribution Watermark via Complementary Embeddings for LLM-Agent Trajectories 机构: University of New South Wales TRACE 通过创新的双通道设计解决了 LLM Agent 轨迹水印中的核心难题。它利用基于内容的选择通道抵抗删除攻击，利用基于结构的计数通道抵抗重写攻击，理论上证明了水印信号以决策熵为代价，且迫使攻击者若要消除水印必须破坏轨迹本身。该方法在保证 Agent 性能的同时，提供了极强的归因鲁棒性。 |
|
| 07-09 |
WebSwarm: Recursive Multi-Agent Orchestration for Deep-and-Wide Web Search 机构: Renmin University of China, Kuaishou Technology WebSwarm 通过引入渐进式递归委托机制，有效解决了现有搜索代理在处理深度与广度并重的复杂任务时的局限性。其核心创新在于动态的节点实例化、基于Web结构的搜索引导以及兄弟节点间的经验复用。实验结果证明，该方法在多个基准测试中显著超越了现有的单代理和多代理系统，为构建更高效、自适应的多代理搜索系统提供了新的范式。 |
|
| 07-09 |
Game Theory Driven Multi-Agent Framework Mitigates Language Model Hallucination 机构: Dalian University of Technology; The Hong Kong University of Science and Technology 本文针对轻量级LLM在科学领域因缺乏公理化推理而产生的幻觉问题，提出了基于博弈论的多智能体框架G-Frame。通过微观团队博弈和宏观贝叶斯博弈的结合，实现了高质量专业数据的自动化合成与模型自适应训练。生成的OmniChem模型在保持轻量级优势的同时，大幅降低幻觉并达到顶尖模型性能，为专业科学领域的可靠AI应用提供了可扩展的新范式。 |
|
| 07-08 |
From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents 机构: Renmin University of China, Alibaba Group 本文指出了当前 LLM 代理在依赖静态原子动作工具集时面临的推理效率低下和错误级联风险。通过提出 EvoSOP 框架，作者实现了从原子动作到标准操作程序（SOPs）的转变，并通过构建、合并、评估和剪枝的迭代循环优化工具集。这种方法模拟了人类利用高阶例行程序解决问题的高效方式，显著提升了代理在复杂任务中的成功率和效率，为自进化智能体的发展提供了重要方向。 |
|
| 07-08 |
SpaCellAgent: A Self-Evolving LLM-Based Multi-Agent Framework for Trajectory Analysis 机构: University of Shanghai for Science and Technology SpaCellAgent 通过结合 LLM 的多智能体协作、动态工具编排和自进化机制，有效解决了传统轨迹推断中人工成本高、工具使用复杂的问题。它在多个异构数据集上证明了其高效性和准确性，为计算生物学领域提供了一个自动化、低门槛且高性能的分析解决方案，显著推动了时空转录组分析的普及和标准化。 |
|
| 07-08 |
Reason Less, Verify More: Deterministic Gates Recover a Silent Policy-Violation Failure Mode in Tool-Using LLM Agents 机构: Massachusetts Institute of Technology; Indian Institute of Technology Kharagpur 本文揭示并量化了工具使用型 LLM Agent 中一种严重但常被忽视的“静默策略违规”故障模式。作者证明，依赖模型推理来执行策略是不可靠的，尤其是在工具本身不强制执行策略约束的情况下。通过引入确定性的预执行门控，可以在不改变模型本身的情况下，以低成本显著恢复系统的可靠性。这一贡献强调了在 Agent 系统中，“少推理，多验证”（Reason Less, Verify More）的重要性，即在动作边界通过确定性代码而非概率性生成来保障策略合规性。 |
|
| 07-08 |
Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning 机构: Tsinghua University 本文提出的 SAO 框架通过单 rollout 采样和严格的 token 级裁剪策略，有效解决了异步 RL 中的离线策略效应和训练不稳定问题。实验表明，SAO 不仅在推理和编码基准上全面超越 GRPO，还具备优秀的在线适应能力，并成功应用于超大规模模型 GLM-5.2 的训练，为高效、稳定的智能体 RL 后训练提供了新的范式。 |
|
| 07-08 |
Breaking Database Lock-in: Agentic Regeneration of High Performance Storage Readers for Database Bypass 机构: Cornell University Jailbreak 提出了一种新颖且通用的方法论，利用 LLM 理解数据库源码和文档来合成高性能存储读取器，从而绕过数据库引擎直接访问底层存储文件。该方法成功解决了传统数据访问路径中的序列化和格式转换瓶颈，显著提升了分析型工作负载的性能（最高 27x 加速），并保证了数据正确性。这不仅适用于 PostgreSQL 和 MySQL，也为任何文件格式可通过文档或源码获取的数据库系统提供了打破数据锁定的可行方案。 |
|
| 07-07 |
From Voting to Agent Collaboration: Answer-Type-Aware LLM Pipelines for BioASQ 14b 机构: Korea University, Myongji University, AIGEN Sciences 本文针对生物医学问答中证据分散和推理复杂的问题，提出了一种答案类型感知的 LLM 框架。通过为 Yes/No、Factoid 和 List 问题设计专用的推理管道（如片段洗牌、CoT 上下文学习、多智能体协作），有效解决了单一策略无法适配多样化推理需求的痛点。实验表明，该方法在 BioASQ 14b 挑战赛中取得了优异成绩，特别是在 Factoid 任务中获得第一，验证了精细化、模块化推理流程在专业领域 QA 中的价值。 |
|
| 07-07 |
LLM Agents for Deliberative Collaboration: A Study on Joint Decision Making Under Partial Observability 机构: Tsinghua University, Fuzhou University 本文建立了评估和改进 LLM 智能体在审议协作中表现的基础。通过形式化部分可观察下的联合决策问题并引入可扩展基准，文章系统地揭示了当前 LLM 在处理信息不对称和复杂联合推理时的局限性，同时也肯定了审议机制在促进反思和提升决策质量方面的潜力，为未来多智能体系统的改进提供了方向。 |
|
| 07-07 |
From Blueprint to Reality: Modeling and Applying Putnam's Social Capital Theory with LLM-based Multi-agent Simulations 机构: State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China 本文提出了SocaSim框架，填补了社会学理论与LLM多智能体模拟之间的空白。通过构建理论对齐的环境，该框架不仅复现了社会资本理论的宏观规律，还提供了微观层面的因果解释和人机对齐验证，为连接社会科学与计算机科学建立了新的研究范式，特别是在智慧养老等具体应用场景中展示了其潜力。 |
|
| 07-07 |
PolyWorkBench: Benchmarking Multilingual Long-Horizon LLM Agents 机构: Beijing Jiaotong University, Weixin AI, Tencent Inc 本文指出了当前LLM智能体基准测试中忽视多语言交互动态的空白，发布了PolyWorkBench基准。该基准通过真实的多语言长程工作流任务，揭示了现有SOTA智能体在处理多语言上下文时的性能瓶颈。提出的混合评估框架为未来研究多语言智能体的鲁棒性和一致性提供了重要工具，强调了在开发通用智能体时需同时考虑语言能力与执行逻辑的耦合。 |
|
| 07-07 |
Danus: Orchestrating Mathematical Reasoning Agents with Fact-Graph Memory 机构: Peking University Danus 提出了一种基于事实图记忆机制的智能体编排框架，有效解决了研究级数学推理中并行搜索协调和长程状态管理的难题。通过主智能体规划、工作智能体并行探索及验证器严格把关的协同工作，Danus 在多个高难度数学领域展示了构建复杂证明的能力，为扩展 LLM 数学推理智能体至更长程、更复杂的研究任务提供了有效途径。 |
|
| 07-06 |
MetaSkill-Evolve: Recursive Self-Improvement of LLM Agents via Two-Timescale Meta-Skill Evolution 机构: LMU Munich, The Chinese University of Hong Kong, MCML, MemAgents Lab MetaSkill-Evolve 通过引入双时间尺度的递归自改进机制，解决了现有LLM智能体进化过程中“改进策略固定”的核心痛点。它不仅让智能体学会更好地执行任务，还让其学会如何更有效地自我改进。实验证明，这种方法在多个基准测试中显著超越了传统静态技能和单层进化方法，展示了递归自改进在提升智能体长期适应性和性能方面的巨大潜力。 |
|
| 07-06 |
AgentGym2: Benchmarking Large Language Model Agents in De-Idealized Real-World Environments 机构: Fudan University AgentGym2 通过引入去理想化的真实世界环境，解决了现有基准测试过于简化的问题。它重点评估智能体在工具探索、组合以及对噪声信息鲁棒性方面的能力。实验表明，当前最先进的 LLM 智能体在面对真实世界的复杂性和不确定性时仍显不足，该基准为未来智能体的研发和评估提供了更贴近实际应用的指导方向。 |
|
| 07-06 |
Toward Trustworthy Large Language Model Agents in Healthcare 机构: American University of Beirut 本文提出的 CareConnect 展示了如何通过分层确定性安全护栏和严格的范围约束，将 LLM 安全地应用于医疗后勤自动化。它成功解决了通用 LLM 在医疗操作场景中面临的安全性和事务一致性难题，以极低的成本和较高的任务完成率实现了预约调度的自动化，为可信医疗 AI 代理的部署提供了可行范式。 |
|
| 07-06 |
Your Agent's Memories Are Not Its Own: Forged Reasoning Attacks on LLM Agent Memory and Defenses 机构: The Pennsylvania State University 本文揭示了 LLM 代理持久化记忆中一个关键但被忽视的安全漏洞：推理历史投毒。通过提出 FARMA 攻击，作者证明了攻击者可以污染代理的推理过程而非仅仅是事实知识，并利用自引用机制放大攻击效果。同时，作者提出了 SENTINEL 防御框架，通过结构化分析有效检测并阻止此类攻击，实现了零误报和高防御成功率。这项工作强调了在构建安全的 LLM 代理系统时，必须同时保护检索内容和推理历史的完整性。 |
|
| 07-06 |
STAPO: Selective Trajectory-Aware Policy Optimization for LLM Agent Training 机构: Zhejiang University, Ant Group, City University of Hong Kong 本文针对LLM智能体在长程任务中因稀疏奖励导致的轨迹忽视问题，指出了现有基于香农熵方法的局限性。通过提出归一化熵来更精准地衡量智能体置信度偏差，并构建STAPO框架，实现了对异常步骤的选择性优化。该方法在多个复杂基准测试中实现了SOTA性能，有效提升了智能体在长程推理中的轨迹意识和训练稳定性。 |
|
| 07-05 |
Agentic-V2X: Small Language Model Agents for Deadline-Aware V2X Scheduling in 5G/6G Networks 机构: University of Piraeus Agentic-V2X 提出了一种务实的架构，通过分离非实时策略生成和近实时执行，解决了 LLM 在 V2X 调度中应用的延迟和安全性难题。虽然其在整体性能上未超越最优静态策略，但在动态适应性和关键可靠性方面展现了竞争力，证明了小型 LLM 作为安全策略生成助手的可行性，为未来 6G 网络中 AI 原生控制提供了参考路径。 |
|
| 07-05 |
NKI-Agent: Domain-Specific Fine-Tuning and Agentic Tool Use for Neuron Kernel Generation 机构: Amazon Web Services 本文针对 AWS Neuron 硬件内核生成的空白，提出了 NKI-Agent 系统。通过构建专用的训练数据集和基准测试，并结合领域特定的 SFT 与代理工具循环，有效解决了 NKI 编程中多引擎架构和复杂内存管理的难题。实验表明，该方法在真实硬件上取得了显著的通过率提升，并证明了开源小模型在经过适当微调后能在低成本下超越部分闭源大模型的表现，同时指出了当前 RL 奖励设计在该领域的局限性。 |
|
| 07-05 |
CausalGame: Benchmarking Causal Thinking of LLM Agents in Games 机构: MBZUAI, Carnegie Mellon University, Hong Kong Baptist University, University of Oxford, New York University CausalGame 填补了当前 AI 科学家基准测试在因果思维评估方面的空白。通过引入选择偏差、测量误差和隐藏混淆变量等现实挑战，该基准揭示了当前最先进的 LLM 智能体在因果推理方面的严重不足。研究结果表明，尽管 LLM 在某些任务上表现出色，但在需要严格因果推断的科学发现场景中，它们仍倾向于依赖相关性而非因果性，亟需进一步提升其因果认知能力。 |
|
| 07-05 |
Learning to Control LLM Agent Harnesses with Offline Reinforcement Learning 机构: University of Toronto, Emory University 本文论证了 LLM 智能体的执行 Harness 不应被视为固定基础设施，而是一个可学习的控制层。通过将其建模为 MDP 并使用离线强化学习训练轻量级控制器，该方法在不更新 LLM 参数的情况下，显著优化了智能体的执行流程（如验证、检索、提交决策）。提出的 Harness 成熟度分数进一步解耦了过程质量与结果质量，揭示了离线数据分布对最终性能提升的限制。这项工作为提升冻结 LLM 智能体的效率和质量提供了新的视角和方法。 |
|