跳到正文
#Agent
10月5日周一
  6. TechCrunch · AI38

    研究人员追踪到一支中国 AI「智能体集群」

    独立研究人员在 urlquery 流量记录中发现一支 AI 智能体集群，其运行在腾讯基础设施上，目标指向阿里巴巴地图服务高德（Amap），查询内容为公园、动物园、医院等公共场所不同入口的路线。研究人员拒绝使用「swarm」一词，称其为「agent fleet」，因为多个并行智能体执行同类任务但彼此之间没有通信迹象。相关研究仍在进行中，细节有限。

  8. MIT Technology Review · AI10

    从预测到自主决策：预测分析如何进入智能体 AI 时代

    企业 AI 的焦点已从预测模型能否超越统计预测转向让预测系统自主决策而不偏离业务意图。深度学习与生成式 AI 驱动的智能分析支持实时训练，使 AI 持续演进而非等待季度刷新，其数据来源也从规整数值记录扩展到非结构化交互数据。Everest Group 合伙人 Vishal Gupta 称，"analytics"一词正让位于 AI。

  9. 掘金22

    315 之后 AI 改规矩了：怎么让豆包和 DeepSeek 认得出你

    315 AI 投毒风波后，豆包、DeepSeek、元宝、讯飞星火改信源规则，不再只认单一自媒体平台，改为政府网站、行业垂直网站、带 ICP 备案的官网交叉验证，信源不足直接判定投毒，严重者品牌封杀。这套让 AI 在回答中引用到你的做法叫 GEO，但单价 50 元以下的商品意义有限，高客单价、决策慎重的生意更适用。

  19. 掘金62

    Agentic RAG 三种架构对比：检索自纠错、CRAG 与 Self-RAG

    文章对比 Agentic RAG 的三种架构演进形态：基础检索自纠错（本地循环重搜）、标准 CRAG（双阈值打分加联网兜底与句子级去噪）和带回环的 Self-RAG（前置门控加本地与网络两段式加质检回环）。文中给出三者的状态流转逻辑、核心实现代码与生产避坑指南，并建议将 CRAG 作为企业主力架构，仅在法律、医疗等场景开启带计数器的 Self-RAG 质检回环。

  21. arXiv cs.AI24

    用程序精化与 LLM 智能体发现认知算法

    研究者提出一种混合系统，将认知算法发现视为程序精化问题：人类构建的认知模型以概率程序形式交给一组 LLM 智能体，由其识别模型与行为的不匹配、在研究者设定的约束内提出代码级修改并验证结构保真度，修改结果再传入概率推理模块完成隐变量推理与数据似然计算。在暴露多种认知算法的问题解决范式人类行为数据上，修订后的模型拟合度持续优于原始模型，并揭示出一小组反复出现的创新。

  23. arXiv cs.CL32

    语言智能体为何无法将历史转化为经验：动作校准研究

    语言智能体在任务中难以有效利用交互历史，即使打乱过往动作顺序，任务成功率也仅小幅下降，说明智能体未能可靠地将过去动作与其结果关联。将每个返回的观测显式标注为前一动作的结果，可在不引入新环境信息的情况下提升任务成功率并减少下一步动作重复。基于此，研究者提出一种学习型校准器，通过重新评估过往动作并选择性记录经验来指导后续决策，效果优于单纯的结果标注。

  24. arXiv cs.CV24

    基于仿真的智能体 VLM 框架用于野火监测与报告

    研究者提出一种基于仿真的 VLM 框架，可将 2D 野火模拟自动转换为带标注的视频片段，并作为免训练多智能体 VLM 系统的可复用多模态记忆。在留出生成片段上，视频记忆的四标签精确准确率达 51.5%，直接查询 VLM 为 22.6%，纯文本记忆仅 16-17%；完整系统在六个模拟器报告字段上准确率为 77.3%。该框架还通过组件消融、跨生成器测试和三次真实无人机评估验证了检索与报告能力。

  25. arXiv cs.CL24

    EpiWorld：将 LLM 政策智能体锚定在流行病学世界模型中

    EpiWorld 是一个闭环框架，将 LLM 政策智能体锚定在动作条件流行病学世界模型和分层技能库上，通过反事实推演为政策选择提供反馈。在 COVID-19 和 Influenza 回顾性数据集上，该世界模型取得所有预测基线中最佳的分布外 Peak-MAE，闭环框架将累计住院率最多降低 59%，在六个 LLM 骨干上平均降低约 16%，优于强化学习和最优控制基线。

  27. arXiv cs.AI32

    OEB（Open-Endedness Bench）：从智能体执行记录评测其认知过程

    研究者提出 OEB（Open-Endedness Bench），一种只读取智能体执行记录、不依赖参考答案或结果分数的基准方法，将记录编译为认知事件图，从证据、实验、修正、无奖励黑客四个维度打分。在三个基准的 12 项任务、119 次已有运行中，智能体声称的改进只有 16-29% 属实；10 项任务中有 9 项的最佳运行在后半程尝试了更多新想法。

  29. arXiv cs.CL22

    PlanPool 如何解决 Agentic Text-to-SQL 中的欠规范问题

    针对 Agentic Text-to-SQL 系统过早终止澄清、静默做出未验证假设的问题，研究者提出 PlanPool，将澄清计划外化为可变问题池，每个计划问题必须显式提问或丢弃后才能提交，交互中新发现的歧义可随时加入。在 BIRD-Interact 和 Spider 衍生的三个基准上，PlanPool 持续提升歧义覆盖率并减少静默失败，同时保持有竞争力的执行准确率。

  30. arXiv cs.AI27

    MIRA：面向长时程研究智能体的元推理架构

    研究者提出 MIRA，一种将研究分配与执行分离的分层架构：外层元推理器从持久研究记录中整理上下文并生成下一步调查的工作指令，内层执行器逐条执行。无需策略训练，MIRA 在定理证明和开放式神经网络架构研究中提升了长时程推理并更有效分配额外算力。基于该先验初始化的生成式 actor-critic MIRA-AC 在四个 autoresearch 环境中提升了 gold 表现。

  32. arXiv cs.CL29

    APDMem：面向查询自适应的智能体渐进式披露长期记忆架构

    APDMem 是一种分层长期记忆架构，将对话历史表示为主题摘要、个性化关键事实、轮级证据笔记和原始消息四层，推理时由控制器先读高层摘要、按需深入细节。在 LongMemEval 上，它仅访问 8% 的对话内容即取得强劲的长上下文记忆推理表现。该工作已被 EMNLP 2026（Industry Track）接收。

  35. arXiv cs.CV62

    DeskForge：用桌面环境密集监督训练计算机使用智能体

    研究团队提出 DeskForge，一个通过组合和探索真实应用生成大规模监督数据的可控桌面环境，并据此构建了包含 120 万条标注桌面观测、1.597 亿个元素实例的 DeskForge-1M 语料。

    推荐理由：论文给出可控桌面环境与 120 万条标注数据，并展示四个视觉语言模型在 GUI 定位基准上的提升幅度。

  36. arXiv cs.LG22

    MACTS-EM：多智能体协作时间序列预测框架，引入涌现记忆机制

    研究者提出 MACTS-EM 多智能体协作时间序列预测框架，通过领域专用预测智能体、元认知层动态分配、涌现记忆机制、多模态上下文整合与对抗鲁棒性组件协同工作。在金融市场、气候模式、能源消耗和疫情传播等场景评测中，该框架预测准确率提升 8-12%，零样本迁移能力提升 22-27%，regime shifts 期间韧性增强 16-21%，分布偏移后恢复速度加快 15-18%。

  38. arXiv stat.ML24

    GTDD：面向 AI 编程智能体的生成式测试驱动开发与对抗测试

    研究者提出生成式测试驱动开发（GTDD），由独立的测试智能体在每次候选实现固定后，依据人类指定的行为契约与历史反馈生成新输入，可信评估器校验并返回精简反例供回归测试。在有状态键值存储的配对实验中，开发过程中重新生成测试的策略平均失败率低于仅用同一语言模型一次性生成测试的策略，而向测试方提供候选源码未带来可检测的额外提升。