跳到正文
11月4日周三
11月3日周二
  1. arXiv · NLP28

    LLM 函数调用中的不确定性量化评估

    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。

  2. arXiv · NLP20

    TAC-CoT:通过交错显式 Token 实现工具赋能的隐式链式推理

    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。

  3. arXiv · AI32

    Switchcraft: 面向 Agentic 工具调用的 AI 模型路由器

    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。

  4. arXiv · AI55

    MCP 工具投毒在 Agentic AI 框架中的跨框架测量研究

    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。

11月2日周一
  1. 阿里云42

    阿里云支持2026达喀尔青奥会,打造非洲首个奥运专有云底座

    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。

  2. 阿里云43

    阿里云 Memory 服务升级增强 Personal Agent 长期记忆与个性化能力

    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。

  3. arXiv · NLP29

    MCP 工具调用痕迹会泄露多少隐私?基于 26.25% 攻击成功率的侧信道分析

    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。

  4. arXiv · AI21

    Samyama 构建大规模开放生物医学知识图谱并支持 AI 智能体访问

    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。

  5. arXiv · AI28

    规格引导解码:面向 LLM 的神经符号生成框架

    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。

  6. arXiv · AI34

    EvoMCP: Co-evolving MCP agents and training data

    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。

10月30日周五
  1. Qoder43

    高德地图通过 Qoder CLI 在钉钉群部署三个 Agent 机器人实现工作流嵌入实践

    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。

  2. arXiv · AI36

    迈向 AGI 是否取决于 System-1 对 System-2 的筛选执行?

    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。

  3. arXiv · AI34

    Agent Transfer Protocol (ATP):基于服务器中介的跨组织 Agent 通信架构

    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。

  4. arXiv · NLP32

    双重分层评估揭示工具使用智能体中潜在监控器的“接触”与“承诺”偏差

    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。

  5. AWS Machine Learning Blog35

    Epsilon 如何利用 Amazon Nova Act 构建意图驱动的 UI 测试平台

    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。

  6. AWS Machine Learning Blog39

    MoEngage 如何利用 AgentCore Gateway 将 400 多个 API 转化为智能体工具

    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。

10月29日周四
  1. AWS Machine Learning Blog70

    AWS 教程:基于 Amazon Bedrock AgentCore 构建企业级智能体 AI 平台

    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。

10月28日周三
  1. arXiv · AI57

    Cross-User Poisoning: 多用户协作语言智能体中的用户任务边界失效

    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。

  2. arXiv · ML41

    AT-AT:基于智能体轨迹的自动工具优化

    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。

  3. arXiv · AI22

    SentryBench: 面向公共安全部署中工具使用 LLM 智能体对抗鲁棒性的成本敏感基准

    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。

  4. arXiv · AI20

    ProbeID:LLM 智能体在注册表漂移下的 MCP 工具身份验证

    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。

  5. arXiv · AI38

    MCP 与 CLI 接口对语言智能体行为影响的受控研究

    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。

10月27日周二
  1. arXiv · NLP37

    FireFly:基于真实 MCP API 的大规模可验证工具调用数据生成流水线

    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。