EvoFlux：面向小型智能体的可执行工具工作流推理时进化
EvoFlux 是一种推理时搜索方法，通过对工具调用与依赖的结构化图进行进化循环来修复工具计划，并利用真实工具服务器的执行错误指导替换工具、修正参数、插入缺失步骤和删除冗余步骤。
#MCP/工具调用
arXiv cs.AIAI 评分3232 arXiv cs.AIAI 评分3737 SkillDAG：面向 LLM 大规模技能选择的自演化类型化技能图
SkillDAG 将类型化技能图作为 LLM 智能体可调用的接口，通过 search 返回向量匹配、类型化边邻居与冲突信号，并用 propose-then-commit 协议在执行中注册有执行依据的边。
arXiv cs.AIAI 评分3434 智能体升级授权中的效果绑定与可信渲染：ASU 网关如何防御 12 类审批攻击
研究定义了对智能体审批路径的 12 类攻击（含诱饵收款人、金额取消、标签欺骗等），并测试了 AP2、微软 action-bound approval 和 MCP elicitation。
arXiv cs.AIAI 评分4141 PROBE：让 LLM 智能体学会审计工具调用中的策略合规
PROBE（Policy Rule Observation via Behavioral Exploration）是一种训练 LLM 审计器的算法，让审计器以真实用户身份与已部署智能体进行多轮、工具介导的对话，主动探测策略违规。
arXiv cs.AIAI 评分2222 ISW-Agent：LLM 对话驱动 n8n 工作流处理内孤立波遥感图像
ISW-Agent 将 LLM 对话解析与 n8n 工作流及独立科学模型结合，用于内孤立波遥感图像处理。在每后端 120 条中文指令测试中，GPT-5.6 Sol 和 DeepSeek 均达到 94.2% 的严格任务匹配率；50 个计时场景中 39 个完成检测、提取与预测，中位耗时 48.04 秒。3,408 次故障注入测试中，重试恢复 234 个瞬时故障，输出验证拒绝 234 个结构缺陷。
arXiv cs.CLAI 评分3232 重新审视工具图记忆在多轮工具调用中的作用
研究在九个模型和两个基准上评估工具图记忆，发现其相较基线很少带来显著提升，且即使有效也需付出超过两倍的 LLM 调用成本。其引导常不正确，随机或无引导仍保留大部分增益，说明收益来自额外计算而非记忆本身；将相同经验存为文本洞察则以几乎零额外调用超越工具图记忆。
arXiv cs.CLAI 评分3232 TRACER：面向 LLM 智能体的轨迹感知工具检索
TRACER 是一种面向 LLM 智能体的工具检索前端，用 trie 索引已观测到的工具调用序列，并通过学习到的经验先验与上下文先验混合排序后续调用。在零售与电信混合的 τ² 环境中，它让 GPT-5.4 的工具选择准确率提升 4.7 个百分点，每步输入 token 减少 80%，仅暴露 128 个工具中的 5 个。
arXiv cs.MAAI 评分2626 Agent Status Protocol (ASP)：面向多智能体系统状态上报的轻量级规范
论文提出 Agent Status Protocol (ASP) 0.1 版，让异构 AI 智能体通过 HTTP POST 推送 JSON 事件向状态服务器上报运行状态，观察方则经 SSE 接收聚合后的状态更新。
Apple Machine Learning ResearchAI 评分2626 Plan 还是 Retrieve 先行？工具发现架构的规模研究
研究对比了 Retrieve-then-Plan（RtP）与 Plan-then-Retrieve（PtR）两种工具发现架构：在 ToolBench（46,984 个 API。
arXiv cs.AIAI 评分2424 OpenAgenet / OAN 黄皮书：面向可信治理资源身份与发现的技术架构
OpenAgenet / OAN 黄皮书提出一套协议中立的信任层，用于开放 Agent 互联与可发现的 AI 资源产品，涵盖 did:oan 身份对象、注册流程、治理背书的 Root 生命周期、Root 验证包模型及授权感知 Discovery。
arXiv cs.AIAI 评分3030 OpenAgenet（OAN）白皮书：面向可信 Agent 互联的开放基础设施
OpenAgenet（OAN）白皮书提出一套协议中立的可信 Agent 互联信任层，解决 Agent 进入多运营方开放网络时的身份溯源、治理状态、发现授权与连接前信任验证问题。
arXiv cs.AIAI 评分3232 Agent-Tool 交互中的静默失败：ToolUniverse 工具链审计
研究团队开发审计机制，在 ToolUniverse 环境中检查 15 个科学工具及其 API 与 wrapper 文档，发现 91 个经人工验证的静默失败——工具调用看似成功，但信息或功能缺失且不通知用户或智能体。
arXiv cs.AIAI 评分3030 Logos：如何让插件式智能体的可逆性保证跨进程成立
论文将插件式智能体的时空可组合性演算从单进程限制放宽到组件与记录可任意分配到多进程，给出四个充分条件并用定理1证明可逆性保证跨进程成立。基于该定理构建的 Logos 采用 ROS 式的对等进程与名称路由形式，插件即进程，路由表可重建，恢复所需的会话状态存于无归属的追加式记录中。
arXiv cs.AIAI 评分4141 Bench2Robust：面向工具调用智能体的场景可控恢复框架
研究团队提出 Bench2Robust 框架，通过场景可控的可解性为现有基准加入需重试原路径、切换备用工具或判定无可行路径的任务，从而将恢复策略质量与故障随机性分离。
arXiv cs.AIAI 评分4444 将搜索与推理解耦：面向 LLM 智能体的厂商无关接地架构
研究者提出 Decoupled Search Grounding（DSG），通过 MCP 兼容网关把搜索接地移出推理模型，将供应商路由、来源感知上下文渲染、检索深度控制与缓存变为可调接口。在 SimpleQA 上 DSG 准确率 86.1%（原生搜索 87.7%），搜索成本降低 91%，热缓存命中率 99.4%、延迟降低 68%；在电商 QIU 负载上准确率持平原生搜索，搜索成本降低超 98%。
arXiv cs.AIAI 评分4444 Davinci-Tool：用可验证可执行环境扩展智能体工具使用监督
研究团队推出 30B 工具使用模型 Davinci-Tool 及执行锚定数据集 Davinci-ToolData，通过 Execution-Grounded Task Synthesis 与 Executable Environment Synthesis 两条流水线生成 30,395 条已验证轨迹、覆盖 2,260 个工具名。
arXiv cs.CLAI 评分2828 评估 LLM 作为真实客服技能中的智能体工作流执行器
研究构建了一套基于真实客服对话记录的 Skill LLM 基准，通过 MCP 兼容 mock 模拟环境状态并生成多轮工具调用对话，对 17 个模型进行零样本评测。GPT-5.4 大幅领先，QWEN3.5-9B 是 20B 以下最强开源权重模型，在每位评审下均超过多个闭源基线。10 组评审两两一致率平均 Kappa=0.524，表明评审可靠性需与模型能力同等重视。
arXiv cs.CLAI 评分2222 IACM-RL：面向动态意图波动下复杂工具调用的意图感知上下文管理与强化学习
针对动态用户意图噪声导致工具调用中出现意图偏离和重复 API 循环的问题，研究者提出 IACM-RL 框架，包含合成多场景轨迹的 DynamicIntent 数据管线与五维诊断指标，并部署基于 BeliefState 的自生成上下文管理器，用结构化 stale flags 隔离被覆盖参数。
arXiv cs.AIAI 评分2424 大语言模型借助可微用户均衡层实现交通规划
研究提出一套人机协同交通规划框架，将大语言模型、MCP 接口、开源交通规划引擎 AequilibraE 与可微用户均衡（UE）分配层结合，让非专家用户以自然语言完成网络分析与方案优化。该可微 UE 层通过对 Beckmann 交通分配问题的 KKT 条件直接求导实现，并已在基于观测流量的行驶时间函数标定和预算约束下的网络设计两项任务中演示。
arXiv cs.CLAI 评分2121 面向多会话个性化工具调用的潜在偏好建模
研究者提出 Multi-Session Personalized Tool Calling（MPT）基准，包含 459 段多会话交互历史中的 4,695 个实例，覆盖偏好回忆、归纳与迁移三类挑战。同时提出测试时记忆方法 PRefine，将用户潜在偏好维护为文本假设，通过生成—验证—精炼循环迭代修正。在五个 LLM 上，PRefine 优于所有基线，并在偏好迁移任务上单独超过全历史提示。
arXiv cs.AIAI 评分2222 分布式智能体工具网关的撤销完成判定：C0-C5 可执行结果契约
论文提出 C0-C5 有界结果契约，用于判定分布式智能体工具网关的撤销是否真正完成，并以持久化监控在冻结网关集上实现。在 Keycloak 26.7、8 个物理网关、Filesystem 与 PostgreSQL 效果及 16 台 AWS 主机的实验中，接收端选择性不投递时传输确认与接收端持久化仍成功，但 225 次调用中 112 次（49.78%）被放行且效果全部提交。
arXiv cs.CLAI 评分2626 Plant Memory：面向 SAP PM 工单的工业故障知识 TLP 系统与可验证维护本体
Plant Memory 将技术语言处理（TLP）应用于 SAP PM 工单导出，构建 ISO 14224 对齐的维护本体，每条抽取事实都带置信度、证据来源和验证状态。
arXiv cs.CLAI 评分2424 MolLean：面向化学推理的过程可验证语言
针对化学链式推理中可能出现的结构与性质幻觉，研究者提出 MolLean——一种将化学推理锚定在显式分子状态上的过程可验证语言，通过分层 Lean 内核检查分子状态转换与断言，并用类型化见证协议区分原生结构检查与外部测量。
arXiv cs.AIAI 评分3434 MCPDisCo：面向 MCP 原生智能体的跷跷板缓解微调框架
MCPDisCo 是一个面向 MCP 原生智能体的生态级强化学习框架，基于 Thought-MDP 在 70 个 MCP 服务器、527 个工具的真实长程交互上训练。它针对推理与工具使用相互拖累的"跷跷板"失效模式，结合 token 掩码奖励归因与双向梯度手术进行缓解，以更少 CoT token 取得更高成功率。在 MCP-Atlas 与 GAIA 上保持单调增益，模型权重与实现已开放。
arXiv cs.AIAI 评分4040 ProgAgent：通过程序化训练学习工具编排
ProgAgent 是一套完整的 Programmatic Tool Calling（PTC）训练方案，包含可验证长程任务合成流水线、轻量级 PTC 运行时和两阶段训练配方。
arXiv cs.AIAI 评分3131 哪些元数据影响 MCP 中的 LLM 工具选择？来自受控因子级干预的证据
研究对 367,174 个 MCP 工具的元数据分析发现，功能相似的工具存在显著参数 schema 差异。通过跨 5 个 LLM 和 5 项任务的受控干预实验，参数 schema 变化引发的选择偏移最大且最一致，模型倾向分离的顶层参数而非分组或复合形式；当仅有一个 schema 满足显式请求要求时，全部 5 个模型都选择了兼容工具。
RadarAIAI 评分5555 Artificial Analysis 发布 Decision Index v1.0，Jev 1.13 居决策模型之首但仍不及 Claude Haiku 5.5
Artificial Analysis 发布 Decision Index v1.0，从知识、推理、工具调用和分类四个基准评测决策模型的能力、成本和速度。
Hacker NewsAI 评分3434 DishwasherBench：前沿模型能否装好一台洗碗机？
Composo 发布 DishwasherBench 0.1.0，用一台 Bosch SMV4HAX40G 的刚体物理仿真把装洗碗机做成语言模型基准，浏览器和 MCP 均可玩。
RadarAIAI 评分3434 DishwasherBench v0.1.0 开源：在真实洗碗机物理模拟中测试大模型装载能力
Composo 开源 DishwasherBench v0.1.0，基于一台 Bosch SMV4HAX40G 的物理模拟，让模型和人类在浏览器中通过 MCP 比拼洗碗机装载，按 Eco 50 洗后干净程度计分。
arXiv cs.AIAI 评分2222 CASCADE：一个基于智能体的调控网络框架，用于患者数据验证的下游扰动预测
CASCADE 是一个通过 MCP 暴露预计算 ARACNe 调控网络的智能体框架，用于预测基因扰动的下游转录效应。它改用真实 TCGA 患者肿瘤数据验证预测变化方向，MYC 敲低靶点在 BRCA、COAD、STAD 三种癌症中与真实扩增肿瘤表达的一致率分别为 90.0%、72.0%、85.7%（p<=0.0013），并在 METABRIC 独立队列复现 87.2%。
arXiv cs.AIAI 评分4747 当仿真失真：面向工具调用智能体的 Sim-to-Real 基准与域随机化 RL 方案
研究者提出 RobustBench-TC 基准，包含按 POMDP 四类组件组织的 22 种扰动类型，每种都对应已验证的 GitHub issue 或工具调用故障记录。
arXiv cs.AIAI 评分2626 ChemCost：评估 LLM 智能体的化学反应成本推理能力
研究者提出 ChemCost 基准，用 1,427 个可评估反应检验 LLM 智能体能否完成化学采购成本估算，覆盖 2,261 种化学品和 230,775 条供应商报价。最强智能体在干净输入下仅有 50.6% 的结果落在 25% 相对误差内，注入别名、数量表达等噪声后性能大幅下降。阶段级分析显示失败主要源于解析脆弱、证据整合低效、包装选择无效和工具使用不收敛。
arXiv cs.AIAI 评分2424 RATED：基于执行动态的可靠性感知 AI 智能体工具检索框架
RATED 是一个结合语义匹配与动态可靠性自适应的 AI 智能体工具检索框架，通过冻结双编码器对比微调和轻量上下文 bandit 模块，依据实时执行反馈对候选工具重排序，无需重新训练即可适应运行时工具故障。
arXiv cs.AIAI 评分3030 X-AgentRed：在演进的多服务生态中对个人智能体进行红队测试
X-AgentRed 是一个自进化红队测试框架，通过工具依赖图发现有害的工具调用路径，并利用执行反馈扩展和优化这些路径。在四个前沿智能体模型上，X-AgentRed 的有害路径率达到 STAC 的 1.77 倍，工具覆盖平均提升至 2.99 倍。
arXiv cs.AIAI 评分3030 ChemDiffAgent：面向工具集成化学推理的掩码扩散语言智能体
研究者提出 ChemDiffAgent，首个用于工具集成化学推理的掩码扩散语言智能体，将化学推理重构为对推理与工具调用交错轨迹的迭代去噪，使工具使用决策在完整轨迹上下文中联合确定。在匹配预算与评测下，其整体性能较自回归智能体提升约 20%，8B 模型可媲美甚至超越 GPT 5.5、Claude Opus 4.7 等更大规模前沿模型。代码已开源，论文被 NeurIPS 2026 接收。
arXiv cs.CLAI 评分2626 PACT：面向多轮工具调用智能体的特权轨迹协同训练框架
研究者提出 PACT，一种面向多轮工具调用智能体的特权轨迹协同训练框架，将专家轨迹仅用作训练时的优化信号而非 rollout 时的提示。PACT 保持 rollout 仅依赖提示词，通过轨迹条件 RL 代理和组件感知 SFT 损失两个互补信号引导优化，并引入 prompt-only anchoring 减少对训练期轨迹上下文的过度依赖。
arXiv cs.CLAI 评分4444 APEX-Harm：评估共享专业工作空间中的智能体安全性
研究者推出 APEX-Harm 基准，用于评估长时程智能体在包含 115 至 328 个文件的大型工作空间中执行金融、咨询和法律任务时，面对提示词与脚本注入攻击的安全性。
Hacker NewsAI 评分4141 SMITH：让 LLM 学会写工具并泛化到自身使用之外
台湾大学与 Appier AI Research 提出 SMITH，一个用强化学习联合训练工具创建与工具使用的框架，论文已被 NeurIPS 2026 接收。
Hacker NewsAI 评分6262 作者实测 13 个模型是否遵守工具描述中用户看不到的指令，8 个可评分模型中 4 个每次都照做
作者用 stub server 对 13 个模型跑了 800 次测试，检验 AI 智能体是否遵守工具描述里用户看不到的隐藏指令。
arXiv cs.CLAI 评分3030 评估并提升大语言模型对输入序列变化的鲁棒性
这篇博士论文提出 R_stab(f) 生成式鲁棒性度量，并开发 ASA 自适应进化黑盒攻击，对 LLM-as-a-Judge 系统的攻击成功率最高达 73.8%，开源模型间迁移率最高 62.6%。