跳到正文
10月7日周三
  1. arXiv · NLP38

    Redpine Science 四象限评测报告

    Redpine Science 提供模型访问同行评审文献的通道。在 ScholarQABench SciFact 上,接入该工具的 Agent 回答正确率为 94.4%,无检索时仅为 87.6%。 专家验证问题集中,其表现优于网络搜索;检索基准 Recall@10 达 83.1%,Precision@5 为 75.2%。 研究公开了专家验证问题集及复现结果的全部指令。

  2. arXiv · NLP35

    基于 MCP 的 LLM 逐步交付机制:以自主性换取流程可预测性

    通过 Model Context Protocol (MCP) 逐步交付 SOP 而非一次性注入 Prompt,LLM 执行的流程可预测性显著提升。 在 15,475 次试验中,该机制使所有执行器的流程依从率升至 95-99%,未执行 SOP 的幻觉答案降至 0.2-0.3%。 轻量级模型 Kimi K2.5 的准确率提升 6.5pp,且生成机器可读日志支持逐步审计。

  3. arXiv · NLP26

    Turnslide: 基于有限状态机的可扩展多轮数据合成

    提出 Turnslide 框架,将 API 建模为有限状态机,单次 LLM 调用生成完整多轮示例。 微调后模型在多轮工具调用任务中达到 70.7% 完整准确率,优于现有方法的 63.4% 和 53.7%,且 token 用量减少 3.6-6.6 倍。 该方法被 NeurIPS 2026 SLM-Agents Workshop 接收,显著提升了小语言模型在私有基础设施上的多轮工具调用能力。

10月6日周二
  1. arXiv · ML33

    SkillScriptBench 评测 LLM 智能体可执行技能包的自我进化能力

    研究人员发布 350 项任务基准 SkillScriptBench,系统评估 LLM 智能体可执行技能包在文档修复、脚本修复及行为保持方面的自我进化能力。 该基准从 3.5 万 GitHub 仓库中筛选 100 个技能包构建任务,并引入 AST-Guided Skill Revision 方法,利用抽象语法树将维护需求关联到代码位置,在故障包上使修复成功率绝对提升 21.9% 至 27.7%。

  2. AWS Machine Learning Blog38

    使用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与实用性

    Amazon Bedrock AgentCore Evaluations 提供完全托管能力,通过内置与自定义评估器量化多智能体系统的准确性、任务成功率及可解释性。 方案结合 Amazon Bedrock Guardrails 在执行期强制安全约束,支持按需开发与在线生产监控模式,实现从响应质量到业务逻辑的有效验证。

10月5日周一
  1. arXiv · AI37

    LPS-Bench:电脑使用智能体在长程规划中的安全意识基准

    LPS-Bench 是一个包含 570 个用例的基准测试集,用于评估电脑使用智能体在长程规划中的安全意识。该基准涵盖 7 个任务领域和 9 种规划风险类型,通过 LLM 评估器对 13 个 LLM 智能体进行测试。评测结果显示这些智能体在良性和对抗场景下均存在持续的安全失败,且提示词干预的效果具有模型依赖性。

  2. arXiv · AI23

    基于 SLM 的智能体任务-工具意图匹配研究

    研究利用小型语言模型(SLM)对智能体工具调用进行逐次意图相关性验证,解决传统授权机制无法评估认知一致性的问题。 作者构建了跨多个 Model Context Protocol(MCP)服务器的多工具任务数据集,并通过提示优化、监督微调及 GRPO 强化学习对 SLM 进行专业化,使其作为任务-工具相关性分类器输出信号以供下游执行。

10月3日周六
10月2日周五
  1. AWS Machine Learning Blog52

    Adjudicated Query 模式:用 Amazon Quick 完成大规模合规审查

    AWS 发布 Adjudicated Query 设计模式及参考架构,用 Amazon Quick 对话层连接确定性规则引擎,可完成数万份租约的合规审查。该模式通过 6 个 MCP 工具限定 AI 操作边界,生成完整性回执确保所有记录被评估,并支持证据链追踪,适用于制裁筛查、保险理赔等高风险合规领域。

9月30日周三
  1. 阿里云百炼26

    飞猪与高德基于阿里云百炼推出旅行 Agent

    飞猪与高德基于阿里云百炼 Managed Agent 推出旅行 Agent,整合飞猪旅行 Skill 与高德地图 MCP,自动查询车票、酒店、景点及天气,生成含预算明细的可视化 HTML 行程单。 该 Agent 支持云端 7x24 小时运行,无需本地部署,用户输入目的地、日期、人数及预算即可获取完整方案,未配置 API Key 时可进入体验模式查看模糊化价格。

9月29日周二
  1. Hugging Face Blog40

    ProvenanceGuard 如何为基于 MCP 的智能体提供来源感知的事实验证

    ProvenanceGuard 是一种针对基于 MCP 的 LLM 智能体的后生成验证层,专门检测跨来源混淆问题。在 281 条医疗智能体轨迹测试中,它成功拦截了专家标记的 139 个错误声明中的 138 个,且来源识别准确率约为 86%。该框架保留证据来源身份,适用于数据敏感场景下的事实核查。

9月25日周五
  1. GitHub Blog · AI & ML65

    GitHub Copilot 如何用 canvas 构建自定义 UI

    GitHub Copilot 应用支持创建名为 canvas 的自定义全栈交互界面,让开发者构建 Connect 4 游戏、Winget 管理工具和 SQLite 操作面板。

    推荐理由:原文通过具体示例说明 canvas 如何将交互从纯聊天扩展到自定义全栈应用,帮助读者减少不必要的 agent 调用。

9月23日周三
  1. 阿里云百炼37

    阿里云百炼 Agent Native 应用落地联合体亮相云栖大会

    阿里云百炼 Agent Native 应用落地联合体在 2026 云栖大会正式亮相,联合高德、飞猪等八家伙伴共建行业 Agent 服务。飞猪旅行 Agent Hackathon 于 9 月 22 日启动,天猫家享生活发布 SMART 五维标准及覆盖 30 余个硬件平台的 Agent Studio。高德通过 MCP 开放时空数据能力,大智互联通信智能体使故障修复时间缩短 60%。

  2. 阿里云74

    千问AI平台焕新:面向Agent全面升级模型服务、Agent服务、AI应用

    阿里云千问AI平台面向Agent负载完成全面升级,新增Agent Studio与企业级全栈Agent服务,并推出API优速模式、千问AI座舱解决方案等能力。Agent Studio提供自动模型路由、24小时不间断托管、原子API和MCP生态接入;模型服务侧通过FlashBoot将弹性启动时间由1200秒缩短至70秒,支持Prompt Caching与Token Plan订阅。

    推荐理由:官方给出了Agent Studio的托管与原子API细节,以及算力规模演进预期,供评估AI平台在Agent生产侧的落地深度。

9月18日周五
  1. GitHub Blog · AI & ML33

    GitHub Podcast 探讨 AI 编码、RAG 与 Skills 的争议观点

    GitHub Podcast 最新一期拆解了五个关于 AI 开发的热门观点,指出 AI 生成代码仍需人工负责审查,风险评估应匹配生产环境重要性。 文章澄清 Skills 与 MCP 解决不同问题,前者提供打包专业知识,后者提供工具连接标准;RAG 也未过时,而是为系统提供训练数据之外的相关上下文。

9月17日周四
  1. 月之暗面 Kimi41

    Kimi 发布金融行业解决方案

    月之暗面推出 Kimi 金融行业解决方案,整合 10+ 权威数据源、9 项金融技能和 5 项合规安全措施。该方案将资料处理时间从“天”级压缩至“小时”级,并通过“风险评估网关”实现智能体在金融业务中的合规接入。

9月15日周二
  1. 豆包工作50

    豆包工作升级:原生融入飞书,实现专业、业务与安全三重保障

    2026 年 9 月 15 日,豆包工作在大会上宣布功能升级,通过“局部编辑”能力提升产物交付水平,并支持远程操作及云端 24 小时运行。该产品原生融入飞书,能在用户权限内结合聊天与文档理解业务,并通过技能、连接器和 Managed Agent 与企业现有系统协作。豆包工作沿用飞书身份、权限和安全管控能力,在内测期间已有多家企业开始应用。

9月14日周一
9月12日周六
9月8日周二
9月2日周三
  1. Kimi开放平台63

    Kimi API 原生支持 Codex 和 Claude Code

    Kimi API 已原生支持 OpenAI 的 Responses API 和 Anthropic 的 Messages API 格式,用户无需转换格式或本地代理,即可在 Codex 和 Claude Code 中直连 kimi-k3、kimi-k2.7-code 等模型。Responses API 暂不支持视频输入,官方提供了针对本地 Agent 的自动化配置教程链接及开发者反馈社群入口。

    推荐理由:官方说明直接给出了Codex和Claude Code接入Kimi API的两种API格式及模型列表,开发者可跳过中间代理层直接对接现有工具链。

8月20日周四
6月16日周二