配置 Amazon Bedrock AgentCore Gateway 实现 ServiceNow 的 On-Behalf-Of 令牌交换
Amazon Bedrock AgentCore Gateway 支持配置 Microsoft Entra ID 的 OBO 令牌交换,使 AI 智能体在调用 ServiceNow REST API 时能保留用户身份。
Amazon Bedrock AgentCore Gateway 支持配置 Microsoft Entra ID 的 OBO 令牌交换,使 AI 智能体在调用 ServiceNow REST API 时能保留用户身份。
研究人员发布 Thinkingbox 沙盒及 Thinkingbox-Bench 基准,包含 507 个有策略约束的业务流程,涵盖零售、保险等场景。实验显示 Claude Opus 5 从 66.50% 的 pass@1 降至 47.53% 的 pass^20,Kimi-K3 从 57.37% 降至 17.60%,揭示单次成功与长期可靠性之间的巨大差距。
研究提出 PredActBench 基准,用于评测与不完美的预测工具交互的 LLM 对话智能体。该基准基于教育场景,使用 13 个 LLM 在 OULAD 及包含 60 门课程数据的 PredAct-CS 数据集上进行评估。
研究首次评估了大语言模型(LLM)函数调用(FC)场景下的不确定性量化(UQ)方法。结果显示,在 FC 任务中,基于熵的多样本 UQ 方法相比简单单样本方法无明显优势。 多样本方法通过抽象语法树聚类 FC 输出可提升性能,而单样本方法限制基于 logit 的分数至语义有意义 token 后,校准能力改善但区分能力基本不变。
TAC-CoT 是一种工具赋能的自适应隐式 CoT 框架,用紧凑的潜在推理片段替代显式推理轨迹,仅保留用于工具调用、观察和最终答案的文本 Token。 在智能体数学和 QA 基准测试中,该框架将准确率提高至多 8.8 个点,同时将模型前向传播次数减少至多 6.8 倍。 分析显示 TAC-CoT 提升了单工具和多工具设置下的工具使用质量。
云规模 MCP Gateway 系统通过转换模块支持 315 个 OpenAPI 服务,利用混合检索引擎将智能体工具访问扩展至 3000+ 个工具。 系统采用会话感知路由解耦网关与服务层扩展性,并整合不兼容的 MCP 传输变体;混合检索引擎在扩展到 3000+ 工具时维持约 98% 的 Top-15 召回率。
Switchcraft 是首个针对 Agentic 工作负载中工具调用正确性优化的模型路由器。该方案使用微调的 DistilBERT 分类器,在延迟预算内选择成本最低的模型,78.3% 的答案准确率比最佳单体模型成本低 59%。 研究发现大模型在工具使用任务上并不总是优于小模型,且名义上更便宜的模型可能因 token 密集输出导致总成本更高。
研究证明 Agentic 架构可通过 Model Context Protocol 接口调用 LLM 解析非结构化证据,在 9 个合成场景的基准测试中,前沿 LLM 实现了 96.7% 的端到端诊断准确率。
研究者通过开源工具 mcpvenom 构建了涵盖 12 个框架、18 个模型和 45 种攻击场景的 9720 个测试单元,首次对 MCP 工具投毒进行了真实执行的跨框架测量。整体攻击成功率为 22.9%,其中 64.9% 的成功案例调用了攻击者工具,12.1% 可验证地泄露了秘密。研究发现各框架的抵抗能力主要取决于底层模型,且现有框架均未实施主动防御措施。
生产级奖励旅行Agent测试显示,BYPASS架构在339个回合中92.3%完全正确,而SYNTHESIS架构仅45.7%,差异显著。 SYNTHESIS在交付超过74行数据时准确率骤降至8%以下,GPT-4o-mini在10行内即出现崩溃,Gemini 2.5 Pro阈值约198行,BYPASS则保持平稳。
论文提出 Decoupled Predictive Decision Making (DPDM) 架构,利用冻结的 LimiX-2 预测器和 Qwen3.5-27B 编码器,将智能体决策转化为条件预测任务。
I-PTC 框架实现有状态的程序化工具调用,使模型通过代码片段维护可复用状态并动态修正 API 接口。 其评测基准 PTC-Bench 聚焦长尾生产场景,通过多步依赖任务验证了 I-PTC 在大幅降低 token 消耗的同时提升复杂任务性能。
2026年达喀尔青奥会开幕,阿里云提供云与AI技术支持,打造非洲首个奥运专有云底座。 部署双可用区飞天云平台,支撑百万张票务系统及电子签证等核心业务,赛后移交塞内加尔作为国家云平台。 结合万相与千问模型提供AI观赛体验与问答服务,助力赛事运营与全球观众互动。
阿里云 Memory 服务升级,面向 Personal Agent 场景增强长期记忆与个性化能力,提供 MCP、CLI 等接入方式。 在 HaluMem-medium 评测中四项指标均获最高分;在 PersonaMem-v2 评测中以 56.82 总分位列所列 8 个系统第一。 该服务支持开发者自定义记忆规则,并可接入 Codex、Claude Code 等工具,让 Agent 持续理解用户。
Kimi 开放平台推出 Admin API,支持企业自动管理成员、项目、密钥及账单用量,替代控制台手动操作。 接口免费,完成企业认证后自动开通,当前为 Beta 版,可查询审计日志并配置项目预算。
研究揭示 MCP 工具调用轨迹可被用作用户画像推断的侧信道。基准测试显示,攻击者利用工具调用痕迹实现 26.25% 的画像推断成功率,显著高于 17.97% 的基线猜测率。 PrivacyTrace 基准包含 1,000 个合成用户档案及来自 25 个服务器的 4,000 条代理轨迹。分析表明工具参数和返回结果是主要证据,跨会话关联进一步放大风险。
STRIATUM-CTF 利用 MCP 将 LLM 推理与严格校验的工具函数结合,在 15 道 CTF 题目中成功率达 77.8%-86.7%。 在佛罗里达大学 CTF 赛中,该系统战胜 30 余支队伍获第一名,仅领先第二名 10 分。 该研究被 2026 IEEE CARS 会议录用并获最佳论文奖。
研究团队基于 Rust 原生图数据库 Samyama 构建开放生物医学知识图谱生态系统,单库合并 22 个图谱后包含 3.28 亿节点和 14.4 亿边,加载耗时 37 分 49 秒。 在 40 题 BiomedQA 基准测试中,专用 MCP 工具准确率达 98%,高于独立 GPT-4o 的 75%,且零模式错误。 该系统实现了跨知识图谱集成与 AI 智能体高效访问。
研究提出一种结合 LLM 与符号推理的神经符号规格引导解码框架,实现形式化规格约束下的结构化输出。 该框架包含保证规格满足的前向变体及优化模型偏好的回溯变体,无需重训练即可适配现有语法约束机制。 在配置与约束求解基准测试中,前向变体可靠生成合规输出,显著降低重复推理开销并提升提示遵循度。
EvoMCP 提出智能体与数据互进化框架,在 Toolathlon、MCPMark 和 MCP-Atlas 上分别取得 16.5%、10.2% 和 12.6% 的绝对提升。 该方法通过任务进化将能力缺口转化为可执行任务,并利用轨迹进化结合可复用技能恢复失败演示。 闭环机制使新一代任务持续作为后续进化的种子,实现监督微调的迭代优化。
高德地图将 Qoder CLI 接入钉钉群,构建需求、报警、代码审查三个 Agent 机器人,消除人工转述背景与搬运结果的环节。 技术架构基于 cc-connect 与 MCP 协议,五周内业务机器人完成 271 次 CodeReview,其中 25% 结论为需修复或阻断的 P0/P1 问题。 该实践验证了 Agent 嵌入即时通讯工具以获取上下文的有效性,成为团队日常研发流程的固定环节。
论文提出通过 System-1 轻量预测器筛选交互,仅让 System-2 执行有价值任务,从而提升迈向 AGI 的效率。 该方法构建预测-门控-执行-更新闭环,在理想筛选下执行算力可降至 1/ρ_u,且通过界定选择遗憾优化计算资源利用。 该研究论证“信息量算力”比总算力更能描述 scaling 效率,为 AGI 研究提供新的效率坐标。
summary_zh: TreasuryQA Bench 是一项包含 70 个问题和 1,435 份美国财政部扫描出版物的新基准测试。测试要求 AI 智能体通过 MCP 服务器搜索文件并使用 OCR 工具读取扫描件,最终输出精确数值。
ATP 协议采用域名中介架构,使不同组织的大模型 Agent 在实例离线或替换时仍能持续协作。 域名服务器负责持续跨域传输、验证并暂存消息,发送域对完整消息包进行签名,支持接收端在连接结束后独立复核。 原型测试证实该架构量化了通信与处理开销,并确保了源验证和完整性的稳定性。
针对工具使用智能体评估中的冲突结果,研究提出双重分层协议,将提示注入接触与行为承诺分离,指出以往混合对比学习多关注接触而非实际不安全行为。 在 Qwen AgentDojo 网格上,基于暴露案例重训练的监控器可提前两步预测不安全调用,Qwen 模型逻辑 AUROC 为 0.853,Mistral-7B 达 0.896,OLMo-2-7B 达 0.912。
Epsilon 采用 Amazon Nova Act 与 Amazon Bedrock AgentCore Browser 构建意图驱动的 UI 测试服务,支持自然语言指令测试。 该方案通过 CDP WebSocket 协议执行步骤,结合 S3 存储截图及结果,解决了多团队浏览器基础设施维护难题。 作为托管平台服务,该架构允许各产品团队通过统一 API 复用测试能力,降低了接入配置负担。
MoEngage 利用 Amazon Bedrock AgentCore Gateway 将约 400 个内部 REST API 转化为智能体工具,节省约 6 个月开发时间。 该方案由 AI 平台团队统一管理 MCP 层,将新 API 接入时间从数天缩短至数小时,并避免暴露公网端点。 通过服务端强制授权和 VPC 内私有连接,解决了 400 个工具定义超出上下文窗口及身份权限隔离难题。
可灵AI宣布Kling 4.0 API于10月28日面向全球企业与开发者开放,支持最长30秒原生生成和多关键帧控制。腾讯设计Miora、OpenArt、Flova等平台已通过接入该API,提升了风格理解、分镜精准度、人物一致性等视频生成能力,使其可融入Agent工作流与企业级创作链路。
AWS 发布架构方案,展示如何在 Amazon Bedrock 和 Amazon Bedrock AgentCore 上构建多账户智能体 AI 平台。方案通过独立的推理与工具网关及严格的部署评测管道,让各业务团队能在隔离的边界内安全开发并运维 Agent,实现规模化企业级治理。
推荐理由:原文给出了多账户运营模型和评测管道设计,读者可据此理解如何治理企业级 AI 智能体平台。
研究提出跨界投毒概念,即攻击者向共享上下文注入消息以在被恶意用户外触发未授权操作。作者在 Continua 和 ElizaOS 两个多用户智能体上验证该攻击,并构建 MURMUR 评估框架。结果显示任务聚类和来源提示可有效缓解传播,证明多用户智能体需明确的用户/任务范围限制而非通用输入过滤。
Log-To-Leak 攻击在 18 个模型-服务器配对中实现 62.64%-100% 的攻击成功率,且 16 个配对的任务完成度变化不超过 6.63 个百分点。
研究指出汽车安全关键软件更侧重验证,团队提出结合 MISRA 和 AUTOSAR 标准的代码助手,支持按需执行 verify 工具。 该助手通过提示工程和微调定制 LLM,AUMOVIO 两周试点显示开发者最常用 verify 工具,且 75% 偏好更快的提示工程配置。
AT-AT通过离线优化共享工具集提升智能体任务表现,在$\tau^2$-bench-verified的航空和电信领域实现最高任务完成率。 在TerminalBench-2和TBLite上提升留出性能,并在三家企业生产MCP服务器上降低错误或成本。 将执行轨迹转化为工具环境更新,提供通过环境侧学习持续改进智能体系统的路径。
SentryBench 提出了一种成本敏感基准,用于评估工具使用 LLM 智能体在公共安全部署中的对抗鲁棒性。 该基准基于 840 个评分回合,联合衡量攻击成功率、过度拒绝和过度反应,并在三个前沿模型和三种防御机制上进行测试。 结果显示,单纯增加拒绝导致部分模型过度拒绝率达 100%,而信任门控包装器在所有模型上均产生最低伤害。
Volvo Group 对比自建与通用 LLM 智能体 Harness 在 Android 车载信息娱乐系统 GUI 测试中的表现。 通用 Harness 如 Claude Code 推理成本较高,但夜间回归测试总成本低 3-66%;开源任务成功率更高。 测试人员需检查智能体动作并遵循规定测试场景。
ProbeID 提出基于规范探针响应的工具身份验证方法,在 MCP-IdentityDrift 缓存案例中 strict choice 达到 0.956 hit@1。 该方法通过固定 margin 和独立探针实现错误决策联合概率界限,32B 行为裁判在更高成本下保持同等准确率。 在 MCP-Bench 智能体中,验证将受污染任务从 16 个中的 15 个降至 9 个,任务成功率保持不变。
研究显示,在可执行能力匹配的情况下,MCP 和 CLI 接口差异显著改变了6个模型在3个交互式环境中的任务表现与交互成本。 研究提出 MICA 框架,在 2,004 个情景中发现 94.3% 存在结构化分歧;进而引入 DART 方法,在6种设置中最多提升基准分数9.0分,并降低 MCP token 成本多达 27,100 tokens。 结果确立了接口表示作为塑造智能体行为的闭环决策环境的一部分。
OpenAI Codex 发布 v0.165.0,新增 Google Cloud Vertex AI 内置提供商,并将 GPT-6.1 Terra 加入模型目录。 默认启用 memory v2 并支持导入外部 agent 记忆;修复 TUI 会话权限及 MCP 请求取消等 bug。
Qoder Cloud Agents 采用 RocketMQ LiteTopic 架构,通过模型推理与工具执行解耦支撑规模化长程任务。9 月 16 日发布的 1.0 版本月调用量超千万。该架构以 LiteTopic 建立细粒度有序通道,结合 Suspend 机制控制消费,实现计算资源按需分配与任务状态持久化。
提出 FireFly 流水线,通过逆向合成从真实 MCP 服务器生成 5,144 个可验证任务,覆盖 240 个服务器和 993 个工具。 采用图引导 DAG 结构探索 API,并利用检索增强模拟器缓存结果以支持离线可复现的 RL 训练。 经 GRPO 训练的 4B 参数模型在 Tau2-Bench 等工具调用基准上匹配 Claude Sonnet 4.6 性能。