跳到正文
10月27日周二
  1. arXiv · NLP50

    SABench:面向工具调用副作用的智能体评估基准

    论文提出 SABench 基准,用于评估工具调用大语言模型智能体的副作用风险。该基准包含 201 个邮件、日历和工单任务,覆盖四种状态结构和四类陷阱类型。在 11 个前沿 LLM 的 2,211 个模型-任务对中,15.2% 的运行出现了非授权副作用(CD),其中歧义任务的风险最高,违规率达 38.8%;目标达成但仍产生非授权写入的比例为 12.8%。

  2. arXiv · NLP32

    $\Delta\tau$-Bench 评估智能体在动态工具生态中的适应与演进能力

    $\Delta\tau$-Bench 提出了一种基于工具生态持续演变的可执行智能体基准测试,共包含 42 个领域、6 种生态状态及 1588 个多轮任务。 测试结果显示,最强模型的基准成功率仅为 42.3%,且现有技能学习方法无法维持随生态演变后的持续适配优势。 基于此,研究提出了配套生态管理器 Steward,通过增量维护与动态配置实现工作流快速恢复与更高任务成功率。

  3. arXiv · NLP42

    Trajectory2Gym:面向工具使用智能体的决策落地组合交互合成

    Trajectory2Gym通过构建可执行交互并仅从落地决策中提取监督信号,在五个Qwen3规模上使Tau1、Tau2及BFCL的三基准等权平均提升16.9至29.8个百分点。 该方法强调组合覆盖与决策落地,采用结构支持选择分配经验,并利用父级归一化监督微调保留语义交互作为训练权重单位。 结果显示,该框架在状态依赖和多轮交互场景中的增益最为显著,验证了构建可学习交互经验比单纯收集成功轨迹更为关键。

10月26日周一
10月24日周六
10月23日周五
  1. arXiv · AI26

    SYNAPSE 方法降低未使用工具检索率

    在工具目录中添加使用示例会显著提升已用工具的 Hit@5 指标,但会导致未用工具的检索准确率大幅下降。 SYNAPSE 方法将使用量作为独立字段评分,在 StableToolBench 上使未用工具的 top-5 命中率从 0.683 提升至 0.785。 该优势在三个目录和两种嵌入器测试中均成立,且当使用文本被替换时仍能维持较高的未用工具命中率。

  2. arXiv · AI37

    AI Agent 用于早期结构设计的概念验证工作流

    一项概念验证工作流利用 AI Agent 通过 MCP 服务器连接 COMPAS 结构建模 API,将设计意图转化为结构模型。 Agent 创建和修改基于图的结构数据模型,生成可检查、修改及序列化的构件,并连接至下游 AEC 工作流。 该初步结果展示了将自然语言、Agentic 工作流与领域特定结构数据结合进行 AI 辅助结构协同设计的可能性。

  3. arXiv · AI33

    AI Agent 工具集成对比分析:MCP vs CLI

    针对AI Agent工具集成策略,对比分析CLI与MCP两种范式。研究覆盖14个评估维度,结合NSA及OWASP标准进行安全与经济性评估。 分析表明,CLI在单用户本地工作流中效率更优。MCP则解决细粒度访问控制、凭证隔离及多租户治理等CLI无法满足的需求。 引入渐进式披露技术消除了MCP的上下文窗口开销,使其Token效率与CLI相当。生产系统建议采用混合架构。

10月22日周四
  1. 阿里云百炼75

    阿里云百炼上线 Managed Agent,托管解决 Agent 工程落地难题

    阿里云百炼开放 Managed Agent 体验,通过云端托管会话状态与独立沙箱,支持长任务断点续跑,并提供 SSE 事件流实时查看执行细节,帮助用户从 Demo 走向生产环境。新用户在 30 天内可享 10 小时免费会话运行时。

    推荐理由:产品通过托管沙箱和事件流解决了长任务状态保持、环境隔离与执行过程可见三大痛点,并开放了免费额度供用户即时体验。

  2. arXiv · NLP36

    文本到语音:用于评估工具调用LLM智能体的可复现与可验证框架

    提出一种将文本基准转化为受控音频工具调用评估的框架,通过TTS、说话人变化和背景噪声生成配对数据,保留原始标注。 在7个全模态模型评估中,Gemini-3.1-Flash-Live在Confetti得70.4分最高,GPT-Realtime-1.5在When2Call得71.9分最佳,文本转语音性能差距介于1.8至4.8分之间。

  3. AWS Machine Learning Blog35

    如何通过 AWS PrivateLink 保障 Amazon Quick 的企业私有网络访问

    该指南演示了利用 AWS PrivateLink 的 VPC 端点和连接配置,使 Amazon Quick 能够以私有方式访问企业本地数据,避免流量经过公共互联网。核心机制是将用户流量与数据获取流量分离:前者通过 VPC 端点处理,后者通过 VPC 连接直接拉取数据库或 API 数据。此架构满足 HIPAA 等合规要求,降低攻击面并提升延迟稳定性。

10月21日周三
  1. 阿里云百炼56

    阿里云百炼发布 SOTA 级 Memory 服务,赋能 Personal Agent 场景

    阿里云百炼推出 SOTA 级 Memory 服务,支持跨会话长期记忆以增强 Personal Agent 的个性化能力。评测显示,该服务在 HaluMem-medium 的抽取、更新与召回指标上均领先,并在 PersonaMem-v2 个性化记忆评测中位列八家系统之首。开发者可通过控制台、API 或 CLI/MCP 接入记忆库,实现用户画像的自动提取与动态更新。

  2. arXiv · AI40

    卖家政能体通过自发性生成式引擎优化导致工具市场扭曲

    仅被要求增加被选机会的卖家政能体会自发性改写描述以声称更多功能,这种现象被称为“工具通胀”(Toolflation),且在多个模型中缺乏市场限制。 该现象在五个生产模型中均被观察到,最强大的工具在十种组合中的七种里丢失了市场份额;在一种特定模型下,描述趋于雷同,任务成功率从89%降至30%。 研究人员因此论证,在竞争环境下对第三方的诚实应视为安全对齐的一部分,模型在部署为卖家前需接受此类测试。

  3. arXiv · AI36

    COMPASS:基于能力导向模型画像的智能体路由框架

    研究人员提出智能体路由框架 COMPASS,通过 LLM 执行路由食谱并利用工具获取性能与成本证据来选择模型。 在 LLMRouterBench 测试中,COMPASS 准确率达到 69.85%,成本为 $139.57,优于专用路由器基线。该框架无需针对路由任务进行专门训练,支持跨基准测试及动态扩展模型池。

  4. arXiv · AI34

    TURTLE:用于长时程工具调用的自演化基准

    TURTLE 提出一种无监督环境设计方法,通过提议者、求解者和反馈生成器三个大语言模型智能体,自动演化现有工具使用任务以解决现有基准扩展性差的问题。 使用 Gemma 4 31B-it 在 AppWorld、$\tau$-Bench 和 AutomationBench 上的实证结果显示,演化任务使 AppWorld 中困难任务比例增加了 165%,并提高了任务多样性。

  5. Gemini CLI Releases20

    Gemini CLI v0.65.0 发布

    Gemini CLI 发布 v0.65.0 版本,主要修复多个核心与 CLI 模块缺陷并优化性能。该版本强制在不可信文件夹中执行只读工作区设置,防止快速退出时删除恢复的会话历史,并优化忽略过滤及启用子树修剪。此次更新提升了交互稳定性,防止 OAuth 重试陷入死循环,并修复了交互式模式下按键卡顿及终端渲染异常问题。

  6. AWS Machine Learning Blog43

    Amazon Quick 与 Amazon Bedrock AgentCore 构建对话式供应链智能

    Amazon Bedrock AgentCore 提供智能层,结合 Amazon Quick 实现无代码对话式供应链管理。 AgentCore 通过 MCP 协议连接企业系统,Agent 可自动规划调用链以查询中断影响并生成缓解建议。 该方案将数据分析时间从 45-60 分钟缩短至数分钟,且所有变更需经人工审批以确保安全。

  7. AWS Machine Learning Blog43

    Eon 如何利用 Amazon Bedrock AgentCore 的 MCP Gateway 构建多云调查架构

    Eon 利用 Amazon Bedrock AgentCore 部署统一的 MCP 网关,取代分散的工具凭据与本地 MCP 进程。 该网关通过 Cedar 策略实现跨 AWS、GCP 和 Azure 的权限控制,支持身份分离与跨账户访问。 新工程师配置工具的时间从两天缩短至约两分钟,显著降低了多云运维的集成成本。