Spec Growth Engine：面向 AI 辅助软件开发、以规范为锚的代码耦合架构
Spec Growth Engine 是一个轻量框架，用机器可读的 spec graph 解决 AI 编码智能体的两大结构性失效：上下文爆炸与规范-代码静默漂移。
#Agent
arXiv cs.AIAI 评分2727 arXiv cs.AIAI 评分2222 基于墙钟时间校准的状态监控器在智能体节奏下不存在时刻检测区间
一项针对自主智能体运行时监控的研究发现，按墙钟时间校准的泄漏积分器监控器在智能体流上不存在可作为时刻检测器的工作区间。在20条轨迹上以dt∈{0..600}s扫描显示，墙钟电平触发器在dt=60s时静默，所有临界dt均落在(1,30]s；而相同数据流上的采样时间CUSUM完全不受dt影响（20/20）。带迟滞的上升沿触发器在各条件下每条轨迹仅触发0-3次。
arXiv cs.AIAI 评分2323 AnomalyAgent：基于工具增强强化学习的智能体工业异常合成
AnomalyAgent 是一个具备自反思、知识检索与迭代优化能力的工业异常合成智能体，配备 Prompt Generation、Image Generation、Quality Evaluation、Knowledge Retrieval、Mask Generation 五个工具实现闭环优化，并采用监督微调加强化学习的两阶段训练框架。
arXiv cs.AIAI 评分2020 Agentic P2P 网络：从内容分发到能力与行动共享
论文提出面向 Agentic Peer-to-Peer 网络的平面化参考架构，将连接、语义发现与执行解耦，并引入签名软状态能力描述符支持意图感知路由。为应对对抗环境，作者给出从声誉信号（Tier 1）、金丝雀探针（Tier 2）到密码学证据（Tier 3）的分级验证谱系，使信任成本与任务风险匹配。代理级离散事件仿真显示，在投毒与漂移下工作流成功率提升，控制面开销适中。
arXiv cs.AIAI 评分2626 HAFixAgent：历史感知的智能体程序修复
HAFixAgent 将 blame 衍生的仓库历史上下文注入修复循环，在 854 个 Defects4J（Java）和 501 个 BugsInPy（Python）bug 上验证了历史信息对智能体程序修复的提升。
arXiv cs.AIAI 评分3636 从 Benchmark 到实验台：AI 智能体能否胜任真实药物发现？
研究者开发了开源模块化智能体 MAGI，可自主设定目标、启动并监控分子优化、解读构效关系并调整策略，分子生成可直接由 LLM 完成或委托给 REINVENT 4。在来自三家药企的九个回顾性先导优化项目中，两条生成路线均产出有效结构，但项目能否达标取决于预测模型在候选化学空间上的准确度，而非生成路线。盲评中化学家无法区分智能体提案与留出化合物，认为其 SAR 推理大体合理但不完整。
arXiv cs.AIAI 评分2222 Hyper Algorithm Design Agent：从零演化可学习优化器
研究者提出双智能体框架 Hyper Algorithm Design Agent，将 MetaBBO 的设计循环视为编码任务，由 task agent 通过代码演化持续改进目标 MetaBBO 代码库，hyper agent 则逐步修改 task agent 及自身以实现开放式设计。
arXiv cs.AIAI 评分2929 人类与 AI 协作中的“约定鸿沟”：超越字面内容
研究者提出“约定鸿沟”指标，用于诊断 AI 智能体与人类协作时的隐性沟通。在 Hanabi 卡牌游戏中，人-人公开对局的约定鸿沟为 +26.2 个百分点，人-AI 对局为 +16.4 个百分点，而 AI-AI 对局仅为 -0.6 个百分点。
arXiv cs.AIAI 评分4444 SWE-Bench Pro Verified：面向软件工程智能体的可靠基准
针对 SWE-Bench Pro 存在的奖励黑客与任务质量问题，研究者推出 SWE-Bench Pro Verified。该版本通过防黑客机制消除主要泄漏渠道，并对缺陷实例做最小化修正。评估显示部分模型表现明显低于此前结果，表明原有分数可能高估了真实软件工程能力。
arXiv cs.AIAI 评分2929 多执行框架强化学习训练编码智能体：训练增益与框架依赖
研究用同一 SFT 检查点训练两个 Qwen3-8B RL 变体，仅奖励归一化方式不同（框架内 Within 与跨框架 Cross）。在 SWE-bench Verified 上，四种训练框架的平均提升分别为 +0.48 和 +0.77 个百分点；Cross 虽提高非零优势轨迹比例，但在未见框架上未稳定优于 Within，两者均未显著超过 SFT。
arXiv cs.AIAI 评分3232 基于数据驱动人设的 LLM 智能体用于 A/B 测试模拟
研究者提出一种 A/B 测试模拟框架，用 LLM 智能体承载基于真实用户行为信号构建的数据驱动人设，替代此前的合成或规则型人设。在覆盖两类指标的 40 项 A/B 测试基准上，最佳配置取得 0.75-0.80 的方向准确率，可用于快速、低成本的实验预筛。该工作已被 EMNLP 2026 Industry Track 与 REALM Workshop 接收。
arXiv cs.AIAI 评分4040 升级上报通道能否将奖励黑客行为导向缺陷披露？
针对编码智能体遇到缺陷测试基础设施时可能出现的奖励黑客行为，研究评估了升级上报通道这一决策环境干预手段。在跨 5 个家族 8 个前沿模型上，升级工具与独立反奖励黑客策略的组合干预将奖励黑客行为从 23.6% 降至 5.3%，其中 6 个模型完全消除，且无可检测的成本或性能开销。升级上报通道还兼具诊断功能，在监控基础上额外增加 10.1 个百分点的缺陷检测覆盖率，触发后准确率达 99.4%。
arXiv cs.AIAI 评分2424 GenCoord：私有信息下具身 LLM 智能体的可执行承诺协议
GenCoord 是一种去中心化协议，把分工本身当作消息：提案将发送方的技能路径与伙伴的后续工作配对为 Short DSL 表达，兼容路径形成承诺，并将履约检查与原始任务成功分开评估。
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2222 Who&When Pro：LLM 真能定位 AI 智能体的失败吗？
研究者推出 Who&When Pro，一个面向 AI 智能体自动失败归因的大规模 benchmark，通过严格受控流程在完整回放成功前缀后才注入失败，构建了覆盖 3 种模态、26 个 benchmark 的 12,326 条带金标签失败轨迹。论文还开展大量实验，揭示模型在不同模态、协议和模型族间归因失败的系统性模式，为后续自动失败归因系统提供实证指导。
arXiv cs.AIAI 评分3434 多步 LLM 智能体中的执行框架诱导信念分歧如何测量
研究发现，即使任务、环境和底层 LLM 保持不变，执行框架（harness）也会塑造智能体对环境不断演变的信念。作者提出 belief-rollout 诊断方法，在 HIBench-Code、SWE-bench Verified 和 Terminal-Bench 上发现显著的跨框架信念分歧，这种分歧往往无法从最终任务成功中看出，却会传导为不同的下游动作。
arXiv cs.AIAI 评分2020 Agent Step Value：审计黑盒智能体轨迹中的评估通道敏感性
研究者提出 Agent Step Value（ASV），以通道索引的前后目标边际增益来审计黑盒智能体轨迹的评估通道敏感性。在冻结的 PubMed 问答转换上，跨通道增益符号在 48.3% 的比较中不一致，而同通道重试仅 0.3%。匹配的 512-token 源契约实验显示，仅源生成可恢复正向均值方向并移除解析器检测到的支持声明，表明生成支持抬高了检索前基线。
arXiv cs.AIAI 评分4444 HExA：面向 LLM 智能体的分层实验式自我改进框架
研究者提出 Hierarchical Experimentalist Agents（HExA），一个以实验为中心的上下文自我改进框架，可迭代设计并优化查询相关实验、将经验蒸馏为可复用技能，并整合实验证据来行动或作答。
arXiv cs.AIAI 评分3939 多智能体真的更有效吗？评估 LLM 多智能体工作流的准确率与成本
研究团队提出共享评估框架 BenchAgent，用 GPT-4.1 在十个推理、编码与工具使用基准上对比六种多智能体工作流与单智能体基线 BenchAgent Core。
arXiv cs.AIAI 评分2828 基于情感的触发器与 LLM 评判为何无法为自主智能体把握干预时机：饱和陷阱与干预时机的主观性
研究用 18 维情感动力学引擎 HEART 在 SWE-bench-Verified 调试轨迹上评测四类干预触发器，发现状态阈值会因"状态饱和陷阱"在 39-83% 的动作上误触发。
arXiv cs.AIAI 评分2424 EvoDrive：基于自改进 LLM 智能体的帕累托进化安全关键自动驾驶场景生成
EvoDrive 是首个基于 LLM 智能体的多目标场景生成自动化进化框架，采用模拟器接地的 actor-critic 架构，由记忆驱动 actor 迭代改进生成器、critic 过滤不合理候选，并通过自进化世界评估器分配仿真预算。
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3434 MAGE：基于协同进化知识图谱的多智能体自进化框架
MAGE（Multi-Agent Graph-guided Evolution）将自知识外化为四子图协同进化知识图谱，经验子图同时存储教师编写的失败修正与学习者自身正确推理轨迹，作为任务条件化指导供冻结执行模型检索。
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5454 AutoControl Arena：为前沿 AI 风险评测合成可执行测试环境
论文提出 AutoControl Arena，一个基于逻辑与叙事解耦原则的前沿 AI 风险评测自动化框架，用可执行代码承载确定性状态、由 LLM 负责生成式动态，从而在保持灵活性的同时减少模型幻觉。
arXiv cs.AIAI 评分2222 CoMMa：贡献感知的医疗多智能体框架，实现去中心化肿瘤决策支持
研究者提出 CoMMa，一个去中心化 LLM 智能体框架，让专科智能体各自在分区的临床数据流上运行，并通过智能体专属微调强化角色专业化。该框架引入贡献感知聚合机制，用确定性嵌入向量投影替代随机叙事式推理来近似各智能体的边际效用，实现显式信用分配。CoMMa 在多个肿瘤学基准上评估，包括北美与东亚大型学术医院的真实多学科肿瘤委员会数据集及公开数据集，展现出跨异构临床环境的性能与泛化能力。
arXiv cs.AIAI 评分2424 从流畅性谬误到微观-宏观效度鸿沟：LLM 在社会仿真中的机遇与陷阱
一篇批判性综述指出，LLM 作为社会仿真中智能体的认知或决策组件时，其幻觉、随机不一致、表征偏见与对齐效应等微观局限会传播、放大或收缩为智能体层面的失真（如人格趋同）和宏观风险（如人工共识与行为同质化）。
arXiv cs.AIAI 评分2222 MC-EvoBench：审计 Minecraft 智能体中经验驱动的自我改进
研究者构建了 MC-EvoBench，一个受控的 Minecraft 基准，包含 19 条注册演化链（12 条主评测链、7 条校准或探针链）及三个图对齐配对探针族，用于检验智能体能否将交互历史转化为可跨世界迁移的能力。
arXiv cs.AIAI 评分2222 MCGPO：面向 LLM 智能体训练的匹配上下文组策略优化
研究者提出 Matched-Context Group Policy Optimization（MCGPO），从已采集轨迹中构建加权动作偏好，用于长时程 LLM 智能体训练中的信用分配。
arXiv cs.AIAI 评分2323 SafeDiSTL：为安全多智能体强化学习分解联合约束
SafeDiSTL 是一个约束多智能体强化学习框架，利用 Signal Temporal Logic（STL）鲁棒性度量回合级违规，并通过可微动力学得到的动作敏感度将联合约束成本增量分配到各智能体，实现联合约束下的信用分配。在协作载荷运输、联网导航和网络化交通控制任务中，其安全成功率分别达到约束基线的 1.6-5.1 倍、提升 11.1%，交通吞吐量提升 50-68%。
arXiv cs.AIAI 评分2222 集体自动驾驶车辆路由需具备社会意识才能与人类驾驶员共存
研究将边际成本引入自动驾驶车辆（AV）的自私行驶时间奖励，用多智能体强化学习（MARL）在 Ingolstadt 和 Provins 真实路网中研究混合自动驾驶场景下的路由选择。
arXiv cs.AIAI 评分4141 AgentSWE：编码智能体能否构建你真正想要的智能体？
研究者推出 AgentSWE 基准，覆盖智能体开发全生命周期的创建、编辑与优化三个阶段，共 25 项任务，每项以"委托"而非"考试"形式呈现。评测多种模型与框架下的编码智能体后发现，无一能接近需求要求，演示效果与最终交付之间的差距是常态而非个例。失败轨迹分析还识别出对可见案例过拟合、代码看似完整但运行时空洞、无依据宣称完成等反复出现的失败模式。
arXiv cs.AIAI 评分2424 Agent4Spec：基于 LLM 智能体系统通过自动验证与市场分析优化 API 规范
Agent4Spec 是一个自主多智能体框架，包含验证与市场分析两条流水线，前者检测并自我修正 OpenAPI 语法错误，后者开展竞品研究、识别功能缺口并自动生成缺失的 API 规范功能。在覆盖通用与工业场景的两个 API 规范数据集上，9 个 SOTA LLM 中表现最佳者实现 100% 语法错误检测率和超 95% 修正实施成功率，建议的端点改进采纳率超过 50%。
arXiv cs.AIAI 评分3232 ReqClarifyBench：评估仓库级软件开发中的交互式需求澄清
研究者推出 ReqClarifyBench，一个面向仓库级软件开发的交互式需求澄清基准，包含游戏、小程序和网页开发共 341 个任务，每个任务配有模糊用户意图、人工验证的需求文档和代码评估产物。
arXiv cs.AIAI 评分2727 JoyInside-VLM-Agent：面向具身智能体的产品条件多模态策略学习
JoyInside-VLM-Agent 是一个 ReAct 风格多模态智能体，通过产品条件轨迹构建与分阶段策略学习训练，在 BFCL v4 上取得 77.44 总分，超过所评估的基线。
arXiv cs.AIAI 评分3434 AI 智能体 PR 同时修改应用代码与部署基础设施的因果研究
一项因果研究分析了 AIDev v5 和 MOSAIC-3M 两个数据集中的 26,999 个 PR，发现同时修改应用代码与部署基础设施的双域 PR 仅占智能体 PR 的 4.48%–4.55%，却呈现双峰式集成结果。
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2727 面向 Agentic Web 技术栈的基线评估：MASTIF 框架与 300 项 Mind2Web 任务测试
研究者提出 MASTIF（Multi-Agent System TestIng Framework），对 3 个 LLM、3 种协议和 4 个智能体实现框架在 300 项 Mind2Web 基准任务上进行 Agentic Web 技术栈基线评估。结果显示，选择任务专属技术栈可提升任务完成率、效率分数和社会价值稳定性分数，并减少冗长度与任务完成时间。
arXiv cs.AIAI 评分6262 HOA：面向奥赛解题的多会话智能体工作流，在 IMO、IPhO、IOI 2026 取得满分
研究者提出 HOA（Humanize Olympiads Agent），一个通过独立评审、结构化 wiki 和 Lean 证明验证三条反馈通道协调多个智能体会话的开放流程级框架。