Isabelle Pool Server:面向证明器训练与多智能体证明的池化验证服务
IPS 是支持 Isabelle 证明器训练的免费 HTTP API 验证服务,提供会话租赁与内存感知准入控制。 性能上在单工作节点时优于 PIDE MCP,32 节点并发达到单节点 24 倍速度,内存不足时拒绝新会话。
IPS 是支持 Isabelle 证明器训练的免费 HTTP API 验证服务,提供会话租赁与内存感知准入控制。 性能上在单工作节点时优于 PIDE MCP,32 节点并发达到单节点 24 倍速度,内存不足时拒绝新会话。
COTEX 提出持续工具空间扩展学习,以高效适配器级成本为多模态智能体添加新工具,保留现有工具使用能力。 该方法通过定位工具调用和选择的方向,利用正交约束限制新工具适配器,并在十个视觉语言基准测试中取得提升,现有工具性能最多下降 0.3 分。
研究团队提出 Vibe-Trading,一个集市场研究、策略生成、回测及多智能体协作于一体的智能体原生交易框架。 该框架核心在于通过证据共享、版本化研究记录和显式权限门,实现结果的可追溯与可复现,将策略研究与实盘执行严格分离。
DocSpring 于 11 月 17 日发布名为 Standard Support 的草案,定义了 AI 智能体请求支持的统一协议,并已在 DocSpring 产品中落地实现。
论文提出包含 536 个工具的 Reversibility Classes 框架,通过五级词汇和保守默认值定义 AI 智能体操作的可撤销性。 实测中,2158 次运行里的 29 次攻击场景全部被会话守卫拦截,仅增加 9 个良性审批点;实验证实恢复效果高度依赖前置状态捕获。 该研究确立了可恢复假设的显式化与可测试性标准,但未证明整体注册表的准确性。
论文提出任务条件化智能体资源组合 AgentComposition,联合选择骨干模型与工具技能束最大化执行效用。 通过检索落地生成与束感知批评模型,参考配置恢复率达 67.73%,执行分数从 7.58 提升至 8.78,支持从任务经验中学习与迁移联合资源组合。
WebAgents 通过签名的 this http URL 解耦智能体角色,使行为在创建者、宿主与运行时间流转而不绑定特定执行环境。 其基于 OpenClaw 的浏览器在运行时验证包并绑定用户控制的模型,在受控测试中成功阻断全部 716 个违规注入。 该方案旨在保留执行权限在用户运行时,并推动基于 NANDA 的发现及可互操作包生态系统的发展。
py-code.org 基于 354,763 个 PyPI 项目的最新发布代码统计了 25 个主流 AI Agent 框架的实际导入项目数。LangChain 以 6,779 个项目导入量位居第一,LangGraph 以 2,417 个紧随其后。
针对 LLM 上下文窗口限制,提出“智能体互联网”(IoA)架构。 新增 L8 通信层与 L9 语义层以支持协作。在两个真实数据集上,L9 的歧义消解使准确率提升 13-72 个百分点。
针对 AI 代理中工具调用成功但工作流失败的问题,提出效果历史模型并整理八种外部效果异常,指出黑盒工具调用无法提供通用保证。 基于官方 MCP 注册中心 98,291 个工具的测量显示,现有标准注释词汇仅提供粗略提示,无法完整表达排除异常所需的能力。 该研究动机是推动在工具边界建立可复用的事务性契约。
研究揭示模型上下文协议(MCP)中工具元数据未绑定验证供应商身份,导致合法请求被解析至攻击者控制的工具。 在受控环境中评估五种 LLM 客户端,发现精确名称冲突、任务对齐描述与兼容模式强化时错误绑发生率最高。 不同模型暴露供应商绑定弱点各异,包括攻击者控制的选择、澄清请求及不稳定的解析。
Agent Authenticator 为 AI 智能体提供 Passkey 级认证,通过 per-service 硬件绑定密钥和运行时强制的原点绑定,替代传统 bearer secrets,解决 2025-2026 年 prompt-injection 攻击暴露的安全缺陷。
研究对比了 MCP 代码模式、决策路由层与纯 MCP 三种范式,在 12 个服务器、最多 1,958 个干扰工具的受控测试中,使用 Qwen、Gemma、Nemotron 三个开源 agent 进行预注册评估。
研究发现一种名为“经验侵蚀”的故障模式:当工具定义发生静默变更时,基于 MCP 构建的资深智能体在大多数任务上失败,而新手智能体多数成功。 资深智能体倾向于复用旧调用而非检查当前接口,即便工具定义已显示变更,它们仍错误地报告成功。这种失败存在于所有测试的记忆形式中,且随经验量增加而加剧;简单告知更新或指向文档无法有效解决该问题。
研究提出 SilentGuard 框架,将静默 API 故障检测移至工具调用执行层,利用不变量测试拦截违规结果,避免模型幻觉。在 15 个公共研究 API 中发现 11 个存在静默故障,错误计数最高被夸大 691 倍。
研究发现,为LLM提供Komi-Zyrian等语言的规则资源可显著提升其机器翻译质量。在272句测试中,预置分析入提示词使翻译接受率从13增至43,通过M调用工具则升至55。 这一增益主要源于双语词典,且工具调用机制在31个开源模型中表现不稳定,14个模型未能成功调用。
Nathan Broadbent 提出 Standard Support 规范草案,定义 4 类工具让 AI 智能体通过 MCP 接口自动提交并读取工单回复。 规范包含 support_open_ticket 等工具及 watch_url 轮询机制,支持智能体跨会话获取团队响应,CC0 授权发布。
W3C 战略团队发布报告,提出在 AI 时代维护以人为中心的 Web 愿景。报告指出超过 50% 的 Web 流量已由 AI 代理发起,并提出建立智能体身份、信任与隐私标准的路线图。
在 23 个项目全链路测试中,87.6% 模板与 95.0% 提取修复通过校验,部署耗时 82 秒,支持 VS Code 等 IDE。 提升 AI 生成项目的部署成功率与安全性,验证独立检查机制的有效性。
分析显示,在 2025 年 11 月至 2026 年 11 月发布的 PyPI 项目中,MCP SDK 的导入数(20,013 个)超过 OpenAI 等 LLM 客户端(12,096 个),其中 86% 用于构建 MCP 服务端工具。
AgentRoom 提出一种实时协作编辑协议,通过 CRDT 合并共享文件系统支持并发多智能体编码,并在 Python DevBench 和 Rust+axum 任务上展示效果。协议将文件级 claim、状态和广播暴露为 MCP 工具,5 个前沿 coding-CLI 模型完成 4 项后端编码任务。协调而非并行或 CRDT-merge 是关键设计选择;该文已被 NeurIPS 2026 接收。
研究提出 ORCHID-SAGE 标准,将 CALPHAD 评估中的专家判断编码为形式化协议,实现从证据到相图的可复现与可自动化流程。 在 Cr-Ni 体系中,通过 Model Context Protocol(MCP)调用的 AI 智能体及公开数据重新拟合,成功复现了原始数据库预测结果。 该机制使数据库不再固定于发表时刻,允许随自驱动实验室新证据更新,同时确保判断过程留痕且由人类掌控。
OverServe 是一种多智能体框架,通过共设计 Model Context Protocol (MCP) 状态工具和完成确认提示词,诱导 SaaS 智能体在任务完成后继续执行以浪费提供商资源。
StateAlign 结合任务状态构建与状态对比强化学习,解决智能体工具幻觉问题。 在 BFCL v4 多轮任务中,Qwen3-8B 准确率从 45.5% 提升至 55.2%,SimpleToolHalluBench 无工具幻觉率由 62.2% 降至 56.1%。 该方法在五个基座模型上验证有效,增强了智能体对任务状态的适应能力。
提出 SpaceMCP 框架,利用前馈 3D 重建与开放词汇分割实时构建场景图,通过 MCP 风格的结构化函数调用增强 VLM 的空间推理能力。 无需训练即在 VSI-Bench、MMSI-Bench 和 VSTI-Bench 上取得 SOTA 结果,较基础 VLM 提升 15-22 分。 该范式为克服原生 VLM 空间推理进展缓慢提供了有前景的路径。
团队搭建 2 个蜜罐网关和 40 个 GitHub 项目模拟密钥泄露,在 35 天内捕获超过 300 万次请求和 9,375 次基于泄露密钥的 prompt 调用。监测发现主要攻击者部署在欧洲托管网络,流量主要来自使用 Sub2API、keypool 和 Zoltraak 标签的自动化网关系统,攻击行为集中在高频模型可用性测试以及将模型接入 Telegram 代理和黑名单市场等下游中继网络。
TRACE 提出两阶段训练课程,解决参数化工具检索中知识遗忘与解码缓慢问题,支持实时生产部署。 Stage 1 用 LoRA 复现 ToolSense 的多格式记忆 SFT 以植入工具知识;Stage 2 引入思维链与业务规则数据,生成 JSON 工具列表前输出推理痕迹。
该研究通过三种渲染条件、7个开源权重推理模型及794个任务,首次直接测量多轮工具调用中完整推理历史删除的任务成本。结果显示删除跨度在-4.4至+51.3分之间,且对单一模型的剂量反应测量波动不超过1.5分。 删除敏感性被证实为模型层面的可测量属性,其读数在部署间保持恒定。作者建议将此读数作为先验信息纳入路由和聚合决策中,而非使其成为隐性的默认成本。
ReTrace 将 SOP 与日志记录转化为由代码而非 LLM 选择下一步的可复用工作流,解决 LLM 智能体在高并发场景下的延迟与成本问题。 在生产环境的 79 个流程中,ReTrace 达到 93.8% 的完成率,较智能体低 24% 的任务成本;在 τ²-Bench 上,其任务成功率为 75.8%,运行时间从 170 秒缩短至 1.3 秒。
研究定义 8 条执行层安全不变量,并对比内存运行时 HCP 与独立网关 B3 对 18 种违规行为的拦截能力。 在 AgentDojo 测试中,两者均拒绝恶意调用但误拒 40 次合法请求;HCP 额外开销 0.13 ms/workflow,状态占用 7.7 MB,验证了不变量在集中式与网关设计中的通用性。
研究人员推出名为 Science Edge Evaluation (SEE) 的多模态基准测试,评估 28 个模型后发现最佳准确率仅为 54.9%。测试显示通用模型平均表现优于科学专用模型,且工具使用虽将最高准确率提升至 56.1%,但无法确保模型在实验证据边界内进行可靠推理。
ShadowBench-MCP 基准测试表明,效率优先的路由策略在安全敏感工作流中导致 29.2% 的影子调用率。 该测试使用 Groq 托管的 qwen/qwen3-32b 路由器,政策感知路由可将影子调用相对减少 85.7%,预执行信号 ROC AUC 达 0.94。
PRISM 将角色工程对象转移至 LLM Agent,利用信息瓶颈解决 MCP 导致的过度授权问题。 该方法在 AgentDojo 等基准上将每角色授权工具数压缩 78.3%,任务成功率达 78.2%。
CARL 通过段级信用分配训练 LLM 工具调用,在 7B 模型上将三个搜索基准平均准确率提升 6.7 分。 CARL 利用代码围栏等自然边界分解 rollout,从单一二元结果独立计算各段优势,无需外部评判。 在 7B 规模下,CARL 的工具调用率比 Search-R1 PPO 低 53%,准确率却高出 9.8 分。
提出 ToolSearcher 强化学习框架,解决 LLM 在大规模场景下的工具搜索与组合难题。 框架引入类别约束工具辨识、事件级搜索建模及轨迹对齐奖励分配,以优化多轮搜索中的细粒度信号。 实验表明 ToolSearcher 在涉及迭代搜索和复杂工具组合的基准测试中表现优于强基线,已被 NeurIPS 2026 接收。
DM-Call 结合本地架构验证与决策模型校验,在 BFCL 和 API-Bank 测试中提升了函数调用准确性。 该框架通过累积验证概率、二元判断及架构错误,结合数值概率与口语化标签指导迭代优化,无需执行外部工具。
研究者发布 MedToolFault 故障注入基准与 MedGuard 工具层验证方法,以应对临床智能体中不可靠的工具响应。 在 127,861 次评估中,无保护智能体在 32.2%-67.8% 的无故障任务中因故障失效;MedGuard 使安全成功率提升 13.7-46.6 个百分点。 该方法通过公开接口验证读取证据并归因模糊写入,提高了临床任务中智能体在工具故障下的鲁棒性与安全性。
该论文梳理了五种 MCP server 架构模式及四个反模式,基于 ANSYR 平台和官方注册表的十五个独立服务器案例。 评估显示,两位 LLM 评分者的分类一致性 Cohen's kappa 为 0.76;本地回环测试中,stdio 传输 p50 延迟为 0.01 ms,streamable-http 为 0.39 ms。
NeurIPS 2026 论文 Firefly 提出 Back-Chaining 范式,先在真实 MCP Server 上探索并观察结果,再反向生成任务,从构造层面保证 ground truth 正确性。
研究测试 20 家提供 GPT-6 Astra 和 Claude Opus 5 的 LLM API 中继,发现低价中继更可能存在行为差异。 35 组复测中部分中继状态改变;3,332 个响应中确认无注入,但 4 家中违反禁用工具指令。 5 家中对相同请求多报 4,200 至 60,000 个输入 token,且 6 家可查余额服务按申报用量和标价收费。