ReTrace:将工具使用智能体蒸馏为无规划器工作流
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。
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。
Claude 推出交互式连接器,用户可以在对话中打开 Adobe、Atlassian 和 Box 工具的完整版本,手动操作或让 Claude 代为修改。该功能正在 web 和桌面端上线。
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。
AWS Quick 通过 Agents 和 Skills 自动化任务、分析数据并构建应用。Agent 位于核心,基于 ReAct 模式,通过 Connectors 和 Skills 处理请求。 Agent 依据配置连接 Spaces、Knowledge Bases 等数据源,支持生成文档、执行代码及深度研究。 该机制允许用户以自然语言操作连接应用,实现可重复任务的标准化执行。
CrossnoKaye 的 ATLAS 和 AURA 系统通过整合 AWS 的 Amazon Bedrock 和 AgentCore 架构,利用软件定义自动化平台连接工厂数据与 AI 推理。AURA 使用独立 Python 沙箱确保计算的可验证性,在多个工业设施中显著提升了生产效率并降低了能源成本,同时通过多层次的安全机制保障工业安全。
AWS 发布可插拔智能体 AI 框架(Pluggable Agentic AI Framework),一套面向 Amazon Bedrock AgentCore 的七层企业级参考架构,覆盖数据与知识、模型与推理、编排、安全、应用、可观测和智能体运营,并内置零售客服参考实现。
推荐理由:AWS 给出了可复用的多层落地架构,把路由、护栏、可观测等生产要点整合进同一张蓝图,方便读者按缺口补齐。
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。
该方案结合 Okta Cross App Access (XAA) 和 Amazon Bedrock AgentCore 实现 AI 智能体访问治理。Okta 在身份提供方层面评估策略,决定智能体是否可代表特定用户操作应用;AgentCore 在 AWS 执行层面将决策转化为短时效访问令牌。
AWS 博客展示如何利用 Amazon Bedrock AgentCore Gateway 和 Cedar 策略集中治理大规模 AI Agent 对工具的访问,解决直接连接导致的接线矩阵和权限漂移问题。
亚马逊支持团队在 Amazon ECS Fargate 上构建无服务器 MCP 服务器,作为 AI 智能体访问企业数据湖的中央网关,解决多智能体重复开发权限控制的问题。 该架构采用元数据驱动模式,新增数据源仅需提供 JSON 文件即可自动接入,无需编写定制代码,支持多租户环境下不同 MCP 客户端共享同一工具接口。
AWS Quick 团队提出了一套智能体原语分类法,将任务分解为 When、What、Who、How 四个维度。触发(Triggers)定义任务启动时机与内容,包括人工交互、定时、事件驱动和代理委托四种类型;代理(Agents)是持续学习执行者,包含指令、能力与学习上下文;能力(Capabilities)指代理执行任务的方式,按确定性分为原子工具、结构化技能和确定工作流。
Claude Code v2.1.319 更新支持 MCP 任务在终端后台运行,并新增 /claude-api latency-optimize 命令。 此次版本引入了 CLAUDE_CODE_DISABLE_MCP_TASK_BACKGROUND 等环境变量以控制任务行为,并修复了 MCP 服务器连接失败及 diff 面板空白等关键 Bug。
文章展示如何通过 Amazon Bedrock AgentCore 将 Claude Code 部署为远程智能体,实现任务在隔离会话中运行并返回 GitHub Pull Request。
Qoder 近期内置 /qoder-helper,打通应用设置、连接器、扩展和自定义 Agent 的对话操作入口。 该功能支持读取配置、调整选项、安装能力包,并通过 MCP 工具执行设置管理与扩展搜索。
阿里云百炼 Token Plan 现已支持千问办公,用户绑定后,在自身积分用尽时,可使用 Token Plan 的 Credits 抵扣模型调用消耗。 该服务通过 Credits 统一计量,支持文本、图像、视频、语音模型调用。
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。
论文提出 HEELO 框架与 Agent-Native Primitives,将 GPT-5.6 Sol 在 Terminal-Bench 4.0 的解决率从 37.3% 提升至 55.5%。 该方案将资源与执行能力封装为可复用原语,在超过 20 个基准测试中验证了有效性,并显著降低了任务完成时间与成本。 这种架构解决了模型获取资源后缺乏应用能力的问题,帮助智能体更高效地端到端完成现实世界任务。
MCPHallu 发布了一个包含 358 项任务的基准,用于诊断 MCP 环境下的智能体幻觉。该基准涵盖 5 个能力域,并在 36 个生产级 MCP 服务器运行,设计了 Branch Collapse、Unreachable Goal 等 4 种失败亚型以进行细分分析。
可灵AI宣布Kling 4.0 Flash现已全面开放,所有用户均可通过官网及API使用。 该模型支持通过MCP、CLI及AI插件接入,创作者还可在Adobe Photoshop、Premiere Pro和After Effects中通过可灵插件使用Kling 4.0 Flash。
Kimi Hosted Agents 正式发布 Harness as a Service,提供云端托管环境、独立沙箱及可审计留痕机制,免去企业自建与维护运行框架的数月投入。产品内置 140+ Skills 与 30+ 插件,支持按任务调用,并配备 8 个金融 Agent 开箱即用模板;企业可接入 Kimi Inference Hook 在推理前校验敏感数据,在可控安全规则下完成应用开发。
研究团队发布开源基准 CivBench,用于在《文明 6》游戏中评估 LLM 智能体基于 MCP 协议的长程工具调用能力。 该基准包含 76 个 MCP 工具,单局游戏可超过 300 轮对话。研究通过 23 次试点运行发现,智能体在主动监控率和短期承诺执行率(RAG@10 为 48.2%-65.8%)上表现不佳。 CivBench 环境、场景日志及分析管道已开源发布。
一项 arXiv 论文展示了合法签名的 MCP 工具可能隐藏恶意代码以泄露敏感数据,Meta 的 MCPGuard-Dynamic 在实际攻击中未能阻止此类泄露。 论文提出“种系执行”技术,在每次调用时通过 fork 无数据进程来隔离信息,在 153 次攻击测试中未检测到未授权泄露。 相比每次调用都重启工具,该方案调用延迟仅 10-49 毫秒,速度提升 2-28 倍。
summary_zh: LIBRA 提出一种无需任务特定训练的程序化框架,将扁平工具目录转化为可执行工具库。该框架利用 LLM 生成工具调用契约,并在沙箱中测试保留运行时支持的关系。
在涵盖 5 个模型家族(Qwen3、Gemma-3、Llama-3.1、Mistral 等)0.6B 至 32B 参数、8 个数据集的 200+ 检查点实验中,多任务全量微调在所有测试规模下均为最强默认策略。
LLM 智能体在生成前已通过隐状态预知工具必要性。研究通过探测隐状态发现,工具必要性可线性解码(AUROC 0.89-0.96),但模型无法将其有效转化为行动。
针对智能体操作盲区,Agent Harness Awareness 通过提供验证的状态快照提升了操作控制能力。 在 GPT-5.6 Sol、Claude Sonnet 5 和 Gemini 3.7 Flash 的 216 次决策测试中,该设计使平均策略后悔值降低 96.9%,单次分派完成率从 69.4% 升至 95.8%。
U Mobile 基于 Amazon Bedrock AgentCore 构建 Agentic AI 客服系统 AiDaH,在六个业务部门覆盖 150 多个运营场景,关键类别工单量下降 84.5%。 系统采用六层架构部署于新加坡区域,通过 Microsoft Teams 交互,利用智能体自动排查跨系统故障,保留人工最终决策环节。
提出 ToolSpace 框架,从真实 MCP 服务执行轨迹挖掘工具依赖并合成环境,在自动化及银行基准测试上使 7 个前沿模型性能最高下降 38.2 点。 框架通过状态感知随机游走生成任务,将 Qwen3.6-35B-A3B 平均分从 23.0 提升至 41.0,GLM-5.2 提升至 56.6,表现与 Claude Opus 5 相当。 执行验证边优于 LLM 判断边,性能随数据和环境规模提升。
一项被 CoRL 2026 收录为 Spotlight 的研究提出贝叶斯框架,将机器人交互中的自然语言意图消歧视为针对信号时序逻辑(STL)任务规范的主动学习问题。
针对现有工具使用基准仅测试少量工具或单步调用的局限,研究者提出 SLATE(Synthetic Large-scale API Toolkit for E-commerce)基准,用于在约 1000 个工具的大型电商库中测试长周期 API 选择。
MCPGuard 是一个基于 LLM 的自动化框架,用于检测 MCP SDK 的规范合规缺口。 在 Python 1.26.0 和 TypeScript 1.29.0 SDK 上,MCPGuard 分别发现 13 和 19 个合规缺口,这些缺口未被两个黑盒基线工具发现。 MCPGuard 证明 SDK 规范合规性可直接测试,弥补了传统端点测试的不足。
该架构利用 Postgres 扩展 AIDB 在运营数据库内部构建语义知识库 SemKB,实现数据与业务含义共置。结合 Claude 与 AgentCore Gateway,通过 MCP 端点暴露工具目录,利用 GRANT 权限和行级安全实现差异化访问。语义层直接嵌入数据库,通过注释和外键定义业务逻辑,支持 OpenTelemetry 追踪。
Gen Digital 基于 Amazon Bedrock AgentCore Web Search 构建了 Norton Revamp 的 AI 策展新闻引擎,该平台于 2026 年 3 月上线。该引擎通过实时联网搜索为用户提供 AI 生成的内容建议、新闻流及目标设定,解决静态知识库滞后及传统爬虫基础设施负担过重的问题。