Amazon Bedrock AgentCore 构建自我改进的文档处理系统
利用 Amazon Bedrock AgentCore 构建多智能体智能文档处理系统,实现文档分类、提取与验证的自我改进。 系统由 8 个智能体组成,基于 Strands Agents 框架运行,处理时间常低于 20 分钟,无需手动配置模板。 该系统能自动学习新文档格式,显著降低因文档挑战导致的年均 19,732 美元成本及 21.3% 生产力损失。
利用 Amazon Bedrock AgentCore 构建多智能体智能文档处理系统,实现文档分类、提取与验证的自我改进。 系统由 8 个智能体组成,基于 Strands Agents 框架运行,处理时间常低于 20 分钟,无需手动配置模板。 该系统能自动学习新文档格式,显著降低因文档挑战导致的年均 19,732 美元成本及 21.3% 生产力损失。
Qoder 已集成到千问AI耳夹式耳机中。用户通过耳机唤醒 Qoder 后,可语音指令继续推进电脑上的未完成任务,或通过 Computer Use 功能让 Agent 像人一样操作屏幕、点击鼠标和敲键盘来完成具体事务。耳机支持全双工语音交互,允许用户在 Qoder 说话时随时插话修正指令。
推荐理由:耳机与Agent结合,允许用户通过语音指令继续电脑上的任务,并直接操作电脑完成具体事务。
summary_zh: 提出 VLAs-as-Tools 策略,将长时程任务分解为 VLM 智能体全局规划与专用 VLA 工具执行,通过 Tool-Aligned Post-Training (TAPT) 实现指令对齐。
summary_zh: 这项研究在 ToolUniverse 环境中对 15 个科学工具进行了审计,发现了 91 个“静默失败”案例。 这些失败主要源于 API 层(52 例)或封装层(25 例),表现为数据缺失或搜索标准不一致。
论文证明插件智能体在满足四个跨进程分配条件下可保持可逆性保证,并构建基于 ROS 名称路由的 Logos 系统。 Logos 将插件作为独立进程,路由表可重建,恢复状态存于无主追加式日志中,摆脱单一进程限制。 在 200 个基准任务中,Logos 在单次故障下保持所有会话存活且零浪费调用,成功 120 个任务。
Bench2Robust 框架评估工具故障下 LLM 智能体的恢复能力。 在 7 个模型、10 个任务切片中,69/70 模型-子集对在工具失败时性能下降,最高达 46.7 个百分点。 结合 RL 与 BTM 可将鲁棒性提升 20.7 个百分点,且保持正常表现。
提出 Decoupled Search Grounding (DSG) 架构,通过 MCP 兼容网关将搜索与推理模型解耦,实现厂商无关的搜索定位。 在 SimpleQA 基准测试中,DSG 搜索成本降低 91%,延迟降低 68%;在电商工作负载中,搜索成本降低超 98% 且准确率匹敌原生搜索。 该架构消除了原生搜索导致的答案冗长问题,使实时搜索定位成为可优化的接口边界而非固定模型功能。
提出可执行任务契约以规范 Agent 鲁棒性测试中任务同类的判定标准。 在 14,336 个 Agent 运行测试中,嵌入阈值规则允许了 75-100% 改变任务的有效编辑,却拒绝了 24-45% 的合法恶意注释。 评估应明确并检查何谓同一任务,以确保测试用例的有效性。
30B 模型 Davinci-Tool 基于执行验证数据集显著提升多步任务表现。 在 τ²-bench 上将 Qwen3-Coder-30B-A3B-Instruct 成绩从 52.4 提升至 88.2,以 1/16 参数规模超越 480B 版本。 证明了可执行环境有效监督智能体工具使用的技术路径。
OpenMobile-2 是具备全开源训练环境的近前沿移动智能体,AndroidWorld 得分 79.9,MobileWorld 得分 50.4。 训练数据包含近 12K 条 SFT 轨迹及 2K 个可执行 RL 任务,MobileGym++ 覆盖 110 个应用。 真实设备迁移使 SPA-Bench 性能从 31.9 提升至 59.6,资源已公开。
团队在约500亿token数据上从头训练了2.5B参数模型Agaram 2.5B,该泰米尔-英语混合模型支持工具调用且权重已开源。模型使用单节点8张H100 GPU训练约6天,其在泰米尔语翻译和指令遵循上显著优于Sarvam-1,但知识类基准测试表现接近随机水平。
研究团队提出 Agent-Reflex 框架,旨在激励 AI 智能体主动反思。基于 Qwen3-8B,该方法在 5 个长程工具使用基准上取得 58.6 的综合分数,在 AgentNoiseBench 上得分 29.1,超越现有基线。
研究提出一种整合大语言模型、MCP 接口及 AequilibraE 引擎的框架,通过可微用户均衡层辅助非专家进行交通规划优化。 该框架直接对 Beckmann 问题的 KKT 条件进行微分,支持基于观察数据校准旅行时间函数及预算约束下的网络设计任务。 此举降低了专业门槛,使非专家决策者也能高效搜索和评估交通解决方案。
在级联语音智能体中,ASR 错误对下游工具调用的影响差异显著。现有 WER 指标无法捕捉这种差异,研究提出了配对诊断协议 SpeechEvalX,用于评估 ASR 错误受影响的任务角色如何影响结构化工具调用。
研究提出 C0-C5 有界结果契约,解决分布式 Agent 工作流中工具网关撤销不彻底问题。实验显示 49.78% 调用在非持久化交付下被错误允许,该契约避免了虚假撤销完成判定。
研究提出 RetryBench 基准,用于区分 GPT 工具调用中的虚假重试权限(FRP)与实际恢复结果。在 720 次响应的关键控制中,Luna 和 Terra 在提供更改的密钥时分别产生了 60/80 和 55/80 次不支持的重试,而 Sol 仅 1/80。
团队发布 span-level 基准 ToolHACE,覆盖 5 类细粒度幻觉,填补工具调用后响应生成评测空白。 实验证实工具调用后幻觉普遍且检测困难,在专用语料上训练优于迁移。 该研究被 Findings of EMNLP 2026 接收。
提出 MCPDisCo 框架,用于训练 MCP 原生代理,在 70 个服务器和 527 个工具上进行真实长程交互强化学习。 该框架通过结合 token 掩码奖励归因与双向梯度手术,有效缓解了推理与工具使用之间的“跷跷板”效应。 在分布外 MCP-Atlas 和 GAIA 基准上保持单调增益,证明模型在训练分布外具有良好泛化能力。
ProgAgent 提出全栈 PTC 训练框架,在 LOCA-bench 等四项基准测试中优于同级基线模型。 框架包含长时程任务合成管线、轻量 PTC 运行时及两阶段训练配方,仅使用 215 个任务进行训练。 ProgAgent-14B 在 64k-token 环境状态下取得 30.7% 通过率,而基线模型得分为 0。
Lumen-bench 是覆盖 30 个模型、5 种语言和 19.44 万次试验的工具调用伦理行为基准。 研究通过 o4-mini 裁判发现,替换伦理系统提示词使违规率从 2.76% 升至 13.64%,且 8.57% 案例中存在拒绝伴随有害调用的言行差距。 结果表明高价模型违规率更低但并非绝对安全,多语言环境下模型行为一致性存在显著挑战。
对367,174个MCP工具的元数据分析显示,参数模式差异对大语言模型工具选择的影响最大且最一致,模型倾向选择独立顶层参数。 干预实验表明,解释参数的描述能提升选择率,名称影响较弱;仅一个模式满足明确请求时,所有模型均选择兼容工具。 研究指出,参数模式设计不仅影响工具调用方式,还决定工具是否被选中,即使功能不变,模式设计和工具排序也会影响最终调用的实现。
这项研究构建了基于 MCP 模拟环境的客服工作流基准,对 17 个 1.7B 至 14B 参数的语言模型进行零样本评估。结果显示 GPT-5.4 领先优势显著,Qwen3.5-9B 为最强开源权重模型。 评估中 10 组 LLM 裁判的通过/失败判定 Kappa 系数平均仅为 0.524,表明裁判可靠性与模型能力同等重要。
Amazon Bedrock AgentCore 推出支付功能,与 Anchor Browser 集成支持 x402 协议,让 AI 智能体自动处理按请求计费的网页和 API 访问,免去 402 支付响应的人工干预。
推荐理由:AWS 官方详解了 AgentCore 支付方案如何支持 x402 协议,让智能体在保持安全边界的前提下,自动完成按请求计费的网页和 API 访问。
通过定制指令、Agent 技能、自定义 Agent 和 MCP 服务器,可优化 Copilot 处理项目的能力。 其中定制指令位于 .github/copilot-instructions.md 文件,Agent 技能封装重复流程,MCP 服务器则连接外部工具如 Playwright。 社区资源 Awesome Copilot 提供现成的配置模板,帮助开发者快速适配现有工作流。
智身科技利用豆包工作搭建园区巡检方案,员工仅需下达“去办公室巡检一圈”指令,系统即可自动生成路线并下发任务。机器狗通过 MCP 接口执行巡检,豆包工作自动识别现场异常,生成含风险等级的记录写入飞书多维表格,并推送给负责人。系统还能自动汇总数据生成巡检周报,降低操作门槛。
CASCADE框架利用预计算ARACNe调控网络通过MCP接口预测基因扰动的下游转录效应。在MYC验证中,其敲低预测与TCGA肿瘤表达一致性达90.0%(BRCA)、72.0%(COAD)和85.7%(STAD)。 该框架在35项自然语言请求测试中,本地模型工具调用精确匹配率为71.4%,大模型为85.7%。验证显示其对增殖机制基因有效,但对谱系身份转录因子和CCND2失败。
APEX-Harm 基准发布,用于评估长程智能体在金融、咨询和法务任务中的提示词与脚本注入攻击。该基准包含 180 个任务实例,每个任务涉及 115 到 328 个文件,并暴露通过 MCP 服务器提供的邮件、日历、代码执行等工具。
Web$hell 提出了一种统一的 Web 访问接口,利用 WebCompiler 将实时网页编译为可寻址的信息和动作对象。 该方案通过 WebCache 维护对象,使用共享操作集实现一致、可操作且持久的访问,在基准测试中以较低成本达到强大性能。 研究强调了接口设计对有效 Web 访问的重要性,为更高效的大语言模型智能体开辟了新可能。
PACT 提出一种协同训练框架,通过特权轨迹信号优化多轮工具使用智能体,在 FTRL 等基准测试中表现优于基线。 该框架使用专家轨迹作为训练优化信号而非提示线索,结合轨迹条件强化学习与组件感知 SFT 损失,并通过纯提示锚定防止过拟合。 实验结果验证了两种训练目标及组件监督的有效性,提升了智能体在复杂交互中的适应性与性能。
本期 Qoder Agent SDK 用户案例分享专场,邀请阿里技术专家演示 Agent 嵌入网站与群聊的工作流。 直播内容包括高德专家分享三个钉钉机器人接入报警、需求及代码 Review 群的实践;淘天数据科学家演示非开发者利用 SDK 为报告平台搭建问答功能,处理登录权限及用量记录。
阿里巴巴 Qoder 团队发布 QoderWake 1.0 版本,将 Agent 定义为可进入组织真实工作现场、承担岗位职责的数字员工。产品提供 6 个核心能力:包括岗位角色定义、独立身份与云电脑工位、技能学习、IM 群聊协作、多 Agent 任务流转及记忆成长。
研究团队提出演化式方法,通过前沿模型迭代优化功能,成功构建并发布了名为 ROCQ-MCP-EVOLVE 的专用智能体接口。 该接口在 miniF2F-Rocq 基准测试中,显著提升了跨四个模型的求解成功率,并有效降低了单次求解成本与耗时。 ROCQ-MCP-EVOLVE 及其移植到 Lean 的版本均已开源,为数学证明验证提供了更优的跨工具方案。
summary_zh: EgoBench 发布了首个面向工具使用智能体的交互式多模态基准,包含 1,590 个基于第一视角视频的任务,并构建了“用户-智能体-工具”交互式评估环境。
Salesforce 发布企业级语言模型 Koa,该模型基于开源权重 Nemotron-3-Super-120B 基础模型,使用 Group Relative Policy Optimization (GRPO) 强化学习后训练,并部署为 FP8 格式。
推荐理由:论文展示了基于开源模型和纯公共/合成数据构建企业级工具调用智能体的路径,并在基准上超越了 GPT-4.1。
第 3 天(返场)/ 我们静默地重新发布了 Codex Cloud。它现在相当不错了。
研究提出通过重放后训练轨迹中的“决定性步骤”来预测基座模型的编码潜力,无需从冷启动驱动测试框架。 构建三项评估指标:关键动作BPB、补丁MCQ和前缀条件pass@K。在10对公开模型上,指标排名与SWE-bench Verified pass@1高度一致,可应用于未来编码基准。
arXiv 论文提出将复杂 Agentic Prompt 转化为仅由请求动词决定的最小对比对,以研究 LLM 工具调用机制。研究发现工具调用决策由因果向量 μ_Δ 介导,该向量被分析类动词抑制、由执行类动词保留。跨 Qwen、Mistral 和 Granite 家族七个模型的消融实验证实,脚手架建立工具调用先验,下游注意力头读取出该状态,代码已开源。
GeoNatureAgent (GNA) 引入固定十六工具 MCP 接口与 103 任务基准,用于评估工具型 LLM 智能体。 Claude Sonnet 4 在 103 任务中取得最高能力得分 61.7%,DeepSeek V3.2 以 11.3 倍更低成本实现 93% 的能力,构成主要成本-准确率帕累托前沿。 MCP 服务器、评估框架与 API 已公开,可替换工具与任务集以适配任意地学领域。
监督型治理者可能通过增加干预强度引发工具故障,导致智能体任务持续受阻;引入基于已知事件移动平均的成本感知退避规则可有效缓解该问题。 Gemini 2.5 Flash 在 576 个集次、6 个任务中的实验表明,中间强度的退避策略实现了最高的总体成功率并减少了阻塞现象。 研究揭示了干预成本与持续动作阻塞间的相互作用机制,但该方法在受控环境外的适用性仍属经验性问题。
Radisson Hotel Group 联合 Accenture 基于 OpenAI 技术开发 ChatGPT 插件,帮助旅行者在规划行程时查找、比较并预订酒店。 该插件直接集成于 ChatGPT,将酒店发现与预订流程嵌入 AI 对话交互中,优化了 Radisson 品牌的客房预订体验。