HarnessMDP：用离线强化学习让 LLM 智能体的执行 harness 变得可学习
HarnessMDP 把 LLM 智能体的执行 harness 视为可学习的控制层，将智能体执行建模为有限时域马尔可夫决策过程，由 harness 根据演进的智能体状态选择结构性执行动作，并用收集到的轨迹离线学习策略、上线后自适应控制新执行。在编码任务、tau-bench、AgentBench 等评测中，HarnessMDP 相比基线 harness 持续改善执行行为与最终任务表现。
#Agent
arXiv cs.AIAI 评分3333 arXiv cs.AIAI 评分2929 ScholarQuest：面向开放文献环境的智能体学术论文搜索分类基准
研究者提出 ScholarQuest，一个基于 1000 多个计算机科学主题、围绕四类研究意图构建的分类引导基准，并配套百万级文献环境 ScholarBase 与共享多轮搜索测试框架。
arXiv cs.AIAI 评分3939 超越奖励工程：面向长上下文强化学习的数据配方
研究提出一套以数据为中心的长上下文强化学习配方，围绕检索、多证据综合与推理三类任务构建八个数据集、共约 14K 样本，仅搭配基于结果的最小化 GRPO 设置。在 Qwen3-4B/8B/30B-A3B 三个模型上，于七个长上下文 benchmark 平均提升 +7.2/+3.2/+6.4 分，超过此前的 RL 训练集。
arXiv cs.AIAI 评分3131 ThreadBench：如何评测 LLM 智能体模拟真实讨论的逼真度
研究者提出 ThreadBench，一个基于 9,817 条真实 Reddit 讨论帖、覆盖 8 个领域和 116 个子版块的基准，用均匀性、表达、语气、互动 4 类共 12 项指标对比生成讨论与真实讨论。
arXiv cs.AIAI 评分4141 一个技能，两个主人：通过技能注入同时服务用户与攻击者
研究者提出 PERSIST 技能注入方法，将攻击者选定的动作与可复用的实用函数绑定，在 SkillsBench 和 Skill-Inject 上，冻结的技能包可跨四种智能体-模型配置迁移，并泛化到多个未见任务而无需修改。该方法在任务成功完成的同时产生有害效果，匹配对比中其有害效果率高于两个基线，且源码检查与表达怀疑更少。
arXiv cs.AIAI 评分2929 Plan, Watch, Recover：主动式流程辅助的基准与架构
研究者提出 EgoProactive 智能眼镜数据集与跨域基准 Pro²Bench，用于评测主动式多模态助手的干预时机、流程完成度和响应质量。零样本下没有前沿或开源权重模型能在首次出错前完成超过 26% 的流程干预。其 PWR（Plan, Watch, Recover）架构在上下文中维护显式计划状态并在每次干预后修订，在三个开源权重骨干上把平均流程完成率从 20% 提升到 27%。
arXiv cs.AIAI 评分2727 NoRA：评估视觉第一人称规范动作推理中的可溯源合理性
研究者推出 NoRA，一个视觉第一人称视频基准，要求模型从零生成候选下一步动作，并通过显式的"事实-理由-动作"支撑图说明理由。该基准包含 1,420 段标注视频片段，分为 HumanGold-190 与 LLMSilver-1230，按动作对齐、事实溯源与支撑绑定三项指标汇总为可溯源合理性分数。
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3939 Economy of Minds：基于经济交互的多智能体智能如何自发涌现
研究者提出"智能体经济"框架，让基于 LLM 的智能体通过拍卖竞争行动权、交换支付并从环境奖励中积累财富，以去中心化激励机制自发形成全局规划。该框架从弱智能体起步，在数学推理、金融研究、科学研究、加速器设计与分布式系统优化五项任务上均优于更强的单体基线，并涌现出多步推理策略。
arXiv cs.AIAI 评分3131 Meta-Team：面向 LLM 多智能体系统的协作式自进化框架
Meta-Team 是一个基于协作自进化的经验驱动 LLM 多智能体系统进化框架，通过保留各智能体的执行上下文并协调任务后通信，让智能体交换分布式证据以支持进化。该框架将执行经验转化为智能体行为、智能体间协调和团队级组织三个尺度的可复用改进，在六个长时程智能体基准上持续优于单智能体系统、手工设计的 MAS 及此前的 MAS 进化方法。
arXiv cs.AIAI 评分3636 AsyncFC：无需改动模型，为 LLM 实现基于 Future 的异步函数调用
AsyncFC 是一个纯执行层框架，将 LLM 解码与函数执行解耦，在依赖允许时实现解码与执行重叠及函数间并行，无需微调或修改标准同步函数调用协议。在编码任务上，AsyncFC 取得 1.4 倍端到端加速并保持任务准确率。结果还显示，LLM 具备对表示未完成执行结果的符号 Future 进行推理的原生能力。
arXiv cs.AIAI 评分3838 面向长时程具身智能体：VLAs-as-Tools 与工具对齐的 VLA 模型
研究者提出 VLAs-as-Tools 策略，由高层 VLM 智能体负责时序推理与全局规划，一组专用 VLA 工具执行局部物理操作，并通过 VLA 工具族接口实现事件触发的重规划。
arXiv cs.AIAI 评分3333 SciSense：约束式意义建构如何产出更新颖的研究成果
研究团队提出 SciSense 框架，将 LLM 科研智能体的构思阶段拆解为八个认知阶段，并构建了 12 万条引用条件研究轨迹数据集 SciSense-Traj，涵盖 Hindsight 与 Foresight 两种模式，蒸馏出 3B 至 70B 参数的 SciSense-LM 系列模型。
arXiv cs.AIAI 评分2424 CAT：面向 Java 项目的调用链感知 LLM 测试生成方法
CAT 是一种调用链感知的 LLM 测试生成方法，通过静态分析将调用链与依赖上下文显式注入提示词，建模调用者—被调用者关系、对象构造函数和第三方依赖，并支持生成失败时的迭代修复。
arXiv cs.AIAI 评分2323 CalibAdv：为搜索智能体校准 GRPO 优势的负优势双刃剑问题
针对 GRPO 在多跳搜索中惩罚正确中间步骤、训练不稳定等问题，研究者提出优势校准方法 CalibAdv，利用中间步骤正确性在细粒度上缩减过大的负优势，并重新平衡正负优势以提升训练稳定性。该方法采用轻量设计，仅从标准 rollout 信号校准优势，在三个模型和七个基准上同时提升了性能与训练稳定性，代码已开源，论文被 EMNLP 2026 Findings 接收。
arXiv cs.AIAI 评分2222 TeLAPA：超越单模型优化，在持续强化学习中保持可塑性
研究提出持续强化学习框架 TeLAPA（Transfer-Enabled Latent-Aligned Policy Archives），将行为多样的策略邻域组织为按任务划分的存档，并维护共享潜在空间，使存档策略在非平稳漂移下仍可比较和复用。
arXiv cs.AIAI 评分4141 深入解析 Claude Code：当下与未来 AI 智能体系统的设计空间
一项技术报告通过分析公开源码，拆解了 Claude Code 的架构，并与 OpenClaw、Hermes Agent 两个开源 AI 智能体系统对比。其核心是调用模型、运行工具并循环的 while-loop，周边则包含七种模式的权限系统与 ML 分类器、五层上下文压缩管线、MCP/插件/技能/钩子四种扩展机制及子智能体编排。
arXiv cs.AIAI 评分3131 IMAGAgent：基于约束感知规划与反思的多轮图像编辑框架
IMAGAgent 是一个基于"规划—执行—反思"闭环机制的多轮图像编辑智能体框架，通过约束感知规划模块将复杂指令分解为可执行子任务，并利用工具链编排模块调度图像检索、分割、检测与编辑等异构模型。
arXiv cs.AIAI 评分3030 TopoPilot：面向拓扑数据分析与可视化的可靠对话式工作流自动化
TopoPilot 是一个用于自动化复杂科学可视化工作流的智能体框架，采用编排器与验证器双智能体架构，并加入确定性护栏。在覆盖 100 个提示词的 1000 次模拟多轮对话中，其成功率超过 95%，而无全面护栏与验证的基线不足 50%。在相似提示下，TopoPilot 在准确率、完成时间和 token 用量上均优于 Claude Code 和 Codex。
arXiv cs.AIAI 评分2626 基于神经符号 VLM 智能体的可解释多变量时间序列事件检测框架 SELA
研究者提出 Event Logic Tree（ELT）知识表示框架，将自然语言事件描述转化为信号基元上的结构化时序逻辑，并据此构建神经符号 VLM 智能体框架 SELA，迭代地从信号可视化中定位基元并按 ELT 约束组合，同时输出事件区间与树状解释。
arXiv cs.AIAI 评分3232 面向智能体系统的形式化策略执行方法
研究者提出一种基于运行时监控的智能体安全方法，允许用户用 Datalog 指定策略，并通过构建事件图在运行时执行。当智能体即将执行工具调用等动作时，该方法结合当前系统状态与历史事件判断是否违反策略，进而阻止或放行该动作。该方法已实现并在多个 benchmark 上评估，研究团队将其视为迈向可证明安全智能体系统的一步。
arXiv cs.AIAI 评分2727 NeuroFilter：面向隐私敏感 LLM 智能体的激活探测护栏
论文提出 NeuroFilter，一种基于激活探测的隐私过滤器，用于 LLM 智能体的推理时隐私防护，计算高效且适用于单轮与多轮对话。该工作首次系统性地跨对话轨迹探测模型内部状态，覆盖多种上下文、攻击风格与多个基座模型，并能应对 mosaic attacks 等挑战性场景。
arXiv cs.AIAI 评分3232 TENET：面向仓库级代码生成的测试驱动开发框架
TENET 是一个在测试驱动开发（TDD）范式下进行仓库级代码生成的智能体框架，包含测试套件选择、检索调试工具集和基于反思的迭代改进流程。在 Claude Sonnet 4 上，TENET 于 RepoCod 和 RepoEval 分别达到 69.08% 和 81.77% Pass@1，较最强基线提升 9.49 和 2.17 个百分点。
arXiv cs.AIAI 评分2626 RCR-Router：面向多智能体 LLM 系统的角色感知上下文路由
研究者提出 Role-Conditioned Context Routing（RCR），一种执行时上下文路由层，按角色、任务阶段元数据和 token 预算，从结构化共享记忆中为每个智能体选择性分配相关记忆条目。
arXiv cs.AIAI 评分3232 用分层强化学习对对话 LLM 进行红队测试
研究者提出一种分层强化学习红队测试范式，将红队测试形式化为马尔可夫决策过程，以最大化多轮交互的预期累积危害。其生成式智能体借助 token 级危害奖励学习多样化多轮攻击，可持续发现绕过基线的 LLM 漏洞，并取得新的 SOTA。该工作被 NeurIPS 2026 收录。
arXiv cs.AIAI 评分2222 基于 Metropolis-Hastings 交互的人机共创学习
研究提出"共创学习"范式，让人类与 AI 通过 Metropolis-Hastings 命名博弈（MHNG）相互整合各自的感知信息，构建共享外部表征。
arXiv cs.AIAI 评分1212 通用 Hanabi 智能体 R3D2 论文因实现 bug 被撤稿
论文《A Generalist Hanabi Agent》已被作者 Hadi Nekoei 撤回，原因是发现 R3D2 实现中的 bug 使论文部分关键结论失效。该论文原提出 Recurrent Replay Relevance Distributed DQN（R3D2），用文本重构 Hanabi 任务并设计分布式 MARL 算法，声称是首个可同时游玩所有游戏设置、并将策略迁移到其他设置的智能体。
arXiv cs.AIAI 评分2222 VQEL：用智能体内部向量量化实现涌现语言博弈中的自博弈
VQEL 将向量量化引入消息生成过程，让智能体基于学习到的码本进行离散内部表征的自博弈，同时保持端到端可微，规避了 REINFORCE 和 Gumbel-Softmax 在训练稳定性与扩展性上的局限。该码本还能自然形成符号词表，便于后续与其他智能体互博弈时直接迁移对齐。实验显示，经 VQEL 自博弈预训练的智能体在互博弈中符号对齐更一致、任务成功率更高。
arXiv cs.AIAI 评分2424 Penumbra：面向监管义务的样本高效对抗搜索
Penumbra 是一种对抗搜索方法，从已验证锚点出发，在逐步扩大的编辑预算下寻找使双评估委员会改变裁决的响应，并输出跨越合规边界的两条相邻响应。在匹配预算下，自适应分配在 59% 候选上达到均匀分配全预算的覆盖率；同等记录数下覆盖的失效模式是朴素枚举的 1.43 倍。在金融顾问章程的 60 条筛选义务上返回 144 对合规/违规响应，临床分诊章程的 18 条义务上返回 49 对。
arXiv cs.AIAI 评分3131 面向可微科学软件生态的 AI 智能体递归改进环境
研究者提出一个由 AI 智能体驱动的可微科学软件演化环境，将需求识别、开发与质量评估打通，通过统一微分接口复用导数规则。该工作为物理、化学、生物建模领域的 20 个软件包构建并验证了自动微分扩展，基准测试显示梯度评估与参数估计相比有限差分更省算力。研究驱动的修订使原本不支持的流程实现可微，并修正了科学观测量的导数、消除冗余计算。
arXiv cs.AIAI 评分3232 SkillScriptBench：面向可执行 Agent 技能包自演化的基准测试
研究者提出 SkillScriptBench，一个 350 任务的基准，用于分别评估 LLM 智能体在文档修复、脚本修复与保持正确行为上的技能自演化能力。该基准从超 35,000 个 GitHub Skill 仓库中选取 100 个包构建 150 个修复任务，另设 200 个受控任务在 clean、文档故障、脚本故障及双重故障四种状态下评测。
arXiv cs.AIAI 评分4141 Jev 评测能力研究：代码负责模拟，Jev 负责评估
判断模型 Jev 在单次调用中直接输出各选项概率，研究发现其能力边界清晰：在认知反射测试中答对 99% 的反直觉题目，但在需要模拟输入之外信息的任务中失败，如在 ALFWorld 中会把未洗的刀直接放进抽屉。若由代码提供预测或模拟（如 ALFWorld 的前瞻、机器人控制中的物理模拟），Jev 可凭借通用评估能力成为专家级控制器。
arXiv cs.AIAI 评分2828 Rep2Skill：面向 LLM 智能体的表征引导技能自进化
Rep2Skill 是一个表征引导的 LLM 智能体技能自进化框架，通过建模智能体 rollout 的内部表征轨迹定位偏离成功执行动态的轮次，并将其与执行上下文一起转化为可操作的文本反馈以修订技能。在两个智能体环境和两个开源 LLM 上的实验显示，在同一个 LLM 同时充当执行者与优化器、不依赖更强外部模型的自进化设定下，Rep2Skill 持续优于纯文本方法。
arXiv cs.AIAI 评分2525 生成式 AI 能否自动化 Meta 分析的数据提取？一项间作研究案例
研究评估了直接零样本提示、分阶段工作流和多智能体系统三种 LLM 方法，用六个开放权重模型从间作文献中提取数据。直接零样本提示表现最强且最稳定，相似度调整后 F1 最高为 0.577，但所有方法都远未达到完全准确。在下游分析中，多数模型与方法组合能恢复预测变量与结果变量之间的关系方向，但无法准确估计其幅度。
arXiv cs.AIAI 评分4242 编码智能体的成本低效行为分析与缓解：Claude Code 与 Mini-SWE-Agent 研究
一项针对编码智能体成本低效行为的首次研究分析了 Claude Code 和 Mini-SWE-Agent 在 SWE-bench Verified 上的 1200 条轨迹，识别出子集检索、相似脚本生成和测试重复执行三种行为，它们影响 79.00%–98.00% 的编码任务，最高占任务成本的 22.75%。
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2626 ScholarStack：面向科学智能体的分层研究资产编排与跨任务复用
ScholarSeed AI 团队提出 ScholarStack，将论文集合编译为可复用、带版本与溯源信息的三层研究资产：论文级陈述、领域级组织和跨论文证据综合。在覆盖十种任务设置的四个任务族中，使用该资产的智能体在跨论文证据类任务（如多论文问答与文献综述生成）上质量提升，且所有测量任务的查询时 token 成本均下降。
arXiv cs.AIAI 评分2424 并非所有 AI 智能体都相同：解析资源与性能动态
研究对检索增强问答、网页搜索和软件编程三类 LLM 智能体任务进行资源动态刻画，发现同一工具在不同任务下的资源表现差异显著，并发请求会暴露 CPU、磁盘 I/O 和内存等任务相关瓶颈，更快的 LLM 响应或更多 CPU 核心并不总能加速智能体。基于此提出的 CPU 感知工具准入与任务感知 CPU 分配优化，使 CPU 敏感任务延迟提升约 5.4 倍，多任务平均延迟降低约 32%。
arXiv cs.AIAI 评分2323 JaxAHT：基于 JAX 的 Ad Hoc Teamwork 开源库
研究者发布 JaxAHT，首个基于 JAX 的开源 Ad Hoc Teamwork（AHT）库，统一支持队友生成、ego agent 训练与 unseen teammate 评估，相比现有 PyTorch 实现取得约 95x 墙钟加速。