跳到正文
10月21日周三
10月20日周二
  1. Qoder53

    Qoder 如何通过 Harness 层工程优化让 Fast 档位更快

    Qoder 通过 Harness 层工程优化缩短 Fast 档位的用户等待时间。文章解释了优化机制,包括将字节码解析移至构建时、后台化身份初始化、预热 Git 上下文,以及利用前缀缓存和按需加载 MCP 工具定义来减少推理开销。在执行层面,通过流式调度实现工具并行运行,并建立基于调用 ID 的中断恢复机制以保留已确认的执行进度。

  2. 豆包工作63

    豆包工作学术科研实战指南:7 个场景提示词与 Skill 教程

    豆包工作官方发布学术科研实战教程,覆盖 Origin 绘图、COMSOL/MATLAB/ANSYS 仿真、文献调研、论文精读、写作润色、投稿审查及组会汇报 7 个场景。

    推荐理由:通过 7 个科研场景的实操案例,展示了如何利用豆包工作配合 Skill 工具,实现从文献检索、论文精读到仿真建模的自动化流程。

  3. arXiv · AI42

    MobilePA-Bench: 在复杂现实任务上对移动规划智能体进行基准测试

    MobilePA-Bench是一个包含1705个任务和212个移动工具的基准,用于评估移动规划智能体在复杂现实任务中的表现。 该基准结合了统一能力覆盖、证据对齐验证和能力门控评估,并系统性评估了开放和闭源大语言模型,揭示了资源检索和程序合规方面的具体弱点。 研究团队在沙箱中使用在线强化学习训练了一个Qwen3.8-27B基线模型,其性能提升为该环境在规划器开发中的效用提供了初步证据。

  4. arXiv · AI28

    EI2ROC:面向矿业生产力的多智能体 AI 架构与评估框架

    论文提出三层多智能体架构 EI2ROC,结合大语言模型协调器与专业智能体,通过 Model Context Protocol 风格工具接口整合矿业 IROC 系统。 构建了包含场景库、测试装置和指标的多维基准测试框架,并报告了初步成本与延迟观察。 该方法论蓝图可迁移至其他资本密集型行业,填补了工业智能体评估在实时性与合规性上的空白。

  5. arXiv · AI42

    ToolOPD: 用于工具使用智能体的信用感知在线策略蒸馏

    ToolOPD 提出一种面向长程工具使用的结果感知在线策略蒸馏框架,能显著提升小语言模型的工具调用能力。 该方法将轨迹结果总结为可复用的事后技能,通过衡量该技能对教师模型概率的影响来生成信用权重,并联合强化学习优化。 在多项长程工具交互基准测试中,ToolOPD 显著优于现有的强化学习和自蒸馏基线方法。

  6. arXiv · AI29

    SURE-Act:基于反事实数据的工具调用智能体决策控制器

    研究提出 SURE-Act 控制器,利用包含 3,115 个结果的反事实数据集解决工具调用智能体的不确定性决策问题。 SURE-Act 在 ToolSandbox 中以 Qwen3-4B 为底座,整体得分提升 0.0575,优于 SAGE-Agent 等规则 0.1506。 这是首个针对 ToolSandbox 构建的反事实数据集,为智能体在不确定性下的决策提供了可行洞见。

  7. arXiv · ML39

    AgentCanvas 实现具身智能体架构自动化搜索

    研究团队提出 AgentCanvas 框架,在 MapGPT 等四个具身执行器中实现架构自动化搜索,KDLoop 在真实机器人上提升了成功率。 搜索发现的高容错观察处理在未见过的回合中保持有效,但部分增益在保留回合上不确定或反转,且利用评估端信息。结果确立了该搜索方法在具身智能体领域的潜力,并指出推广至真实环境的挑战。

  8. arXiv · ML34

    LLM 智能体中的记忆诱导工具漂移研究

    研究发现长期记忆中的个性化偏好会导致 LLM 智能体工具调用参数发生偏差。 MEMDRIFT 基准包含 105 个场景,8 个模型在偏见记忆下的参数退化率升至 0.38-0.83。 对 288 个 MCP 服务器的 6062 个工具审计证实该漏洞普遍存在,提示需结合记忆管理与工具调用进行防御。

  9. arXiv · NLP41

    OpenVLHarness:利用多模态记忆实现真实场景下的视觉智能体工具调用

    OpenVLHarness 在 22 个基准测试上,使 8 个开源与闭源骨干模型的无工具基线平均得分提升 9.7-12.6 分。 该框架结合能力层与持久多模态记忆,通过工具接口和证据渲染实现跨步骤信息检索与整合。 在 GPT-6 Luna 中等推理强度下,其性能比基线、Codex 及 Visual Sketchpad 高出 7.7-8.5 分,而模型 token 成本仅最高为它们的 37%。

  10. AWS Machine Learning Blog64

    Amazon Bedrock 为 Anthropic Claude 模型支持结构化输出

    Amazon Bedrock 现全面支持 Anthropic Claude 模型的结构化输出,通过约束解码确保 JSON 响应严格符合预定义 Schema。系统会自动编译并缓存 24 小时语法规则,用户可利用 JSON Schema 格式或 strict 工具用法在 bedrock-runtime 和 bedrock-mantle 端点实现无错误的 JSON 解析与确定性输出。

    推荐理由:说明约束解码消除了解析与重试逻辑,并给出了JSON Schema的缓存机制和代码示例,供生产环境直接复用。

10月19日周一
  1. Qoder34

    电子工牌接入 Qoder Cloud Agents 构建常驻云端个人助理

    电子工牌接入 Qoder Cloud Agents,实现一个常驻云上的随身个人助理。 该助理通过硬件板子交互,依托云端维护个人知识库,支持待办全生命周期管理及主动调研,结果可同步至邮箱或服务器数据库。 使个人助理不依赖单一设备在线,具备持续执行任务的能力,助力打造“超级个体”。

  2. Qoder78

    Qoder 推出 Phone Use 插件

    Qoder 推出 Phone Use 插件,用户通过数据线将 iPhone 连接至 Mac,即可让 AI 直接查看并操作手机界面,完成打开 App、点击、滑动、输入等任务,安卓系统即将支持。该功能要求 Qoder 版本不低于 0.4.5,iOS 版本不低于 16,并需在手机端开启开发者模式。

    推荐理由:原文给出了连接手机的操作路径和三类典型场景,读者可以据此判断它能覆盖哪些日常自动化任务。

  3. arXiv · ML46

    多步智能体工具推荐:确保任务所需每个工具都被找到

    Tool Recommendation 系统通过固定接口为智能体提供全部工具,弥补单工具缺失导致的多步任务失败。 在 ToolRet 基准测试中,其 Top-10 工具召回率比 BM25 高 57%;在 Codex 会话中,首轮推荐覆盖所有必需工具的比例达 93%。 采用该系统可将输入 token 减少 17% 至 40%,并降低总账单费用,且不影响任务完成率。

  4. arXiv · NLP44

    BRIA:基于分支隔离的LLM智能体在大规模工具库中实现高效工具使用

    研究提出BRIA(BRanch-Inspect-Adopt)智能体,通过分支隔离策略解决大规模工具库中的工具选择问题。 在MCP-Atlas评测中,BRIA平均claim score达89.77,较MCP-Zero的75.40提升14.37个百分点,并在任务性能与输入token成本上处于帕累托前沿。 该方法在处理1897个工具的共享池中,匹配或超越最强检索基线,证明分支隔离机制的有效性。

  5. arXiv · NLP24

    AuditKIT: 用于评估、评判和比较大型语言模型及智能体系统的统一评测框架

    AuditKIT 是一个源代码可获取的评测库,将基准准确率、裁判评估、运行时性能等记录在统一结果表示中。它通过方向感知指标契约和配置指纹,解决接口差异和指标语义问题,支持智能体的工具调用匹配和检索增强生成的证据检查。该框架在七个案例研究中展示了不同指标选择如何改变评估结果。

10月16日周五
  1. 可灵AI65

    Kling 4.0 全量上线并接入 MCP/CLI

    Kling 4.0 于 10 月 15 日在 klingai.com 正式全量上线,创作页面同步升级以提升自由度。该版本能力将接入 MCP/CLI 以拓展创作场景,面向企业客户与开发者的 API 服务近期开放,4K 及 1080p 的 10-bit HDR 格式输出即将上线。

    推荐理由:可灵官方确认 Kling 4.0 全量上线,并说明 4K HDR 输出、MCP/CLI 接入及 API 开放的具体落地进度。

  2. arXiv · AI34

    重新审视多轮工具使用中的工具图记忆作用

    对9个模型在2项基准上的评估显示,工具图记忆极少显著优于基线,且其收益带来的LLM调用量超过基线两倍。 该记忆的指引往往错误,随机或无指引可保留大部分收益,表明优势源于额外计算而非记忆本身;即使给出正确工具建议,仍存在放弃调用工具等失败案例。 将同类经验存储为文本洞察而非工具图,几乎不增加LLM调用即可取得更优效果,表明记忆作为软先验比作为下一步工具指令更有效且更具泛化性。

  3. arXiv · AI43

    PROBE:LLM 智能体策略合规性审计训练算法

    PROBE 是一种基于 LLM 的审计员训练算法,通过多轮工具对话探测策略违规。实验显示,其违规发现能力显著优于同等架构的 Zero-shot 对抗模型。 该方法将审计形式化为双玩家 Markov 博弈,采用复合奖励平衡发现率与行为合理性。 多轮行为审计是智能体评估的必要维度,PROBE 为自动化策略审计提供了可扩展路径。

  4. arXiv · AI35

    提出渐进验证框架解决LLM智能体工具选择中的“零样本转移有效性差距”

    针对LLM智能体在未知领域工具选择中语义相关但功能不兼容的问题,研究者提出渐进验证框架。该框架结合端点功能兼容性与任务条件上下文证据,弥补了“转移有效性差距”。在跨域和跨数据集转移测试中,该方法在功能或上下文模糊场景下显著提升了能力排名。

  5. arXiv · AI40

    工具发现架构的规模研究:先规划还是先检索?

    研究显示工具增强 LLM 智能体在单工具查询中“先检索后规划”(RtP)优于“先规划后检索”(PtR),而在多工具查询中 PtR 胜出。 该交叉现象在 ToolBench 不同规模及 Gemini 2.5 Flash、gpt-oss-120b 模型中保持一致。 PtR 增加推理调用会使成本翻倍,但通过 RtP top-1 分数可实现零成本自适应路由。

10月15日周四
  1. arXiv · NLP29

    PRefine 提出多轮会话个性化工具调用基准与测试时记忆方法

    研究人员提出基准 MPT 与方法 PRefine,解决 LLM Agent 因用户输入信息缺失导致的工具调用难题。 MPT 包含 4,695 个实例,覆盖偏好回忆、归纳与迁移三类挑战;PRefine 通过“生成-验证-精炼”循环维护用户潜在偏好。 结果显示 PRefine 优于所有基线模型,且单独使用时在偏好迁移任务中表现超过全历史提示法。