如何用四象限方法评估 Redpine Science
Redpine Science 通过 MCP 和 API 为模型与智能体提供同行评审文献的统一访问入口。在 ScholarQABench SciFact 上，接入 Redpine Science 的智能体正确回答 94.4% 的论断，无检索时为 87.6%；在专家验证问题集上，其陈述所需论断的比例为 80.1%，仅用网页搜索的智能体为 70.2%。
#MCP/工具调用
arXiv cs.CLAI 评分2626 arXiv cs.LGAI 评分3131 CORSA：面向检索与执行的技能注入攻击优化
现有针对 AI 智能体技能注入攻击的评估假设恶意技能已被选中执行，会高估攻击成功率；在真实多技能环境中，注入技能需先通过检索竞争，使现有注入的有效攻击成功率（ASR）下降 87-97%。
arXiv cs.AIAI 评分3232 LLM 智能体为何过度调用工具：诊断内在过度调用偏差
研究提出内在偏差假说（IBH），指出 LLM 智能体的调用/不调用决策映射中存在与激活无关的调用偏移，使其在激活持平时仍倾向调用工具。在 When2Call 基准上，三个家族六个模型调用准确率高但不调用准确率明显偏低，整体准确率仅 55%-70%。团队用稀疏自编码器（SAE）提取决策特征并估计该偏移，再以 AMCS 因果校正，缓解过度调用并提升整体准确率，调用准确率几乎不降。
arXiv cs.AIAI 评分4242 MiniScope：用最小权限为 AI 智能体授权
研究者提出任务中心的分层权限模型 MiniScope，将智能体视为任务角色下的委托方，自动发现权限层级并在运行时执行上下文最小权限。评估显示，相比逐工具提示，MiniScope 对谨慎型和典型用户分别减少 43.4%-89.4% 的模拟权限确认，并缓解全部权限提升攻击，对效用和运行时影响可忽略。在真实部署中，它还在 ChatGPT 和 Claude 中发现 6 处过度授权的连接器配置。
arXiv cs.AIAI 评分3232 工具调用检索 vs 向量 RAG：希腊语-英语小型知识库上的准确率与用户输入鲁棒性对比
在 KyGround 基准（198 道题，来自希腊 Kythera 农业平台记录，每题最多 9 种问法）上，以 Claude Haiku 4.5 作为路由与回答模型，向量 RAG 对标准希腊语问题正确率 95.3%，工具调用智能体仅 71.6%，相差 23.6 个百分点。
arXiv cs.AIAI 评分4141 一次一步：用 MCP 逐步下发流程，换取 LLM 智能体的过程可预测性
研究团队提出通过 Model Context Protocol（MCP）逐步下发流程步骤，让智能体每执行一步就返回结构化 step_output，以牺牲自主性换取过程可预测性。
arXiv cs.AIAI 评分3737 APEX：面向 LLM 智能体的执行边界主动防护
APEX 是一种针对 LLM 智能体间接提示注入（IPI）的主动防御方案，将防护点从攻击模式识别转移到执行边界，通过执行前编译的授权契约同时实现证据门控预防与欺骗式暴露。在六项基准中，APEX 对 13 个基线取得五项 0% 攻击成功率、第六项 0.56%，并在三类能力单元（Tools、MCP servers、Skills）的自适应攻击下保持 0%。代码已开源。
arXiv cs.AIAI 评分2929 CITA：为长程工具调用智能体做比较式价值估计
针对长程工具调用中结果奖励难以做信用分配的问题，研究者提出 Comparative Inference for Tool-use Agents（CITA），训练 Comparative Inference Model（CIM），用贝叶斯工具图模拟器与 LLM 比较判断生成的配对信号，估计候选下一步工具调用对任务成功的价值。