CASEL：面向长程工具调用智能体的后果感知选择性执行
研究者提出智能体运行时安全策略 CASEL，结合失败概率、后果及可逆性等维度，为工具调用动态分配直接执行、沙箱、人工审批等处理模式。在受控模拟中，CASEL 在同等算力成本下将有害副作用轨迹率从 14.75% 降至 7.02%，平均归一化危害从 0.184 降至 0.123。若移除可逆性感知路由，有害轨迹率则会回升至 15.53%。
#MCP/工具调用
#MCP/工具调用
今日 0 条arXiv cs.AIAI 评分3333
arXiv quant-phAI 评分4747 QuantumMatterExplorer：用于发现量子多体物态的自主 Agent
研究人员推出基于大语言模型的自主 Agent QuantumMatterExplorer，仅需输入哈密顿量及参数范围即可自主运行数值模拟并绘制物态相图。系统结合持久规划与计算物理工具，采用 DMRG 计算并经精确对角化交叉验证。在受挫自旋-1链测试中，它在 8 小时计算预算内成功识别出 Néel、Haldane 和二聚化等候选相。
arXiv cs.AIAI 评分4444 超越收益指标：衡量 LLM 智能体技能内化以实现技能退役
研究人员针对 LLM 智能体技能库提出一种测量技能内化程度的方法，用于替代仅凭性能增益退役冗余技能的传统规则。实验显示传统增益规则会误删超半数模型与技能均无法胜任的未覆盖技能，而新方法在保证奖励不下降的同时复现率更高（Cohen's kappa 为 0.42 对比 0.23）。团队已开源涵盖 4 个模型、包含 1,251 个技能及其评测任务与评分的数据集。
arXiv cs.AIAI 评分5656 论文揭示失真的工具格式化器如何误导 Agent 及其验证器
最新论文指出，即便工具计算逻辑正确，其输出格式化器（formatter）若省略搜索上限或命名空间等关键元数据，也会误导 Agent 及其验证器输出并接受错误信息。对比实验显示，补齐完整格式化信息后，验证器对错误回答的误判接受率从 90/90 降至 0/90；作者还给出了审计 Prompt，并在 OpenClaw 等开源 Agent 系统中排查出同类问题并提交修复。
arXiv cs.AIAI 评分4242 TACS-RF：工具驱动的射频与毫米波模块智能体电路综合框架
研究团队提出 TACS-RF 框架，由基于 Claude Opus 4.8 的编程智能体直接驱动 Cadence 与 Ansys 等工业级 EDA 工具完成射频和毫米波模块设计。
arXiv cs.AIAI 评分5151 研究提出 Phronix 面向智能体的能力中心学习范式
研究人员提出面向智能体的能力中心学习范式 Phronix，使智能体能够从自身运行过程中自主提取、验证并沉淀可复用的能力。该系统通过预测、验证与校正闭环结合 MCP 工具提炼能力库，使重复任务的首发解决率提升至 93% 到 95%，热启动任务消耗降低至 0.38 到 0.40 million tokens。
arXiv cs.AIAI 评分3434 基于行为定位的工具使用智能体稳健软技能适应
研究提出面向工具使用智能体的行为定位（Behavioral Localization）方法，通过定位文本技能显著改变模型 token 分布的关键轨迹位置来监督短 soft prompt。
arXiv cs.AIAI 评分4545 AgentPolicyForge：从可执行环境到策略基准与自适应防护
研究提出 AgentPolicyForge 框架，利用可执行环境构建策略基准并迭代训练 AI 智能体的策略防护器（guard）。该框架构建的 PolicyGym 数据集涵盖 10 个策略族，包含 698 个训练场景与 254 个独立的人工复核测试场景。在 PolicyGym 评测中，最终防护配置相比提示词约束将攻击成功率相对降低 40-44%，并减少了良性误拒。
arXiv cs.AI精选AI 评分6161 论文揭示大语言模型智能体存在拒绝迁移失败现象
大语言模型在纯文本对话中拒绝的有害请求在工具调用场景下频繁失效，标准工具提示设置下有 10% 至 52% 曾被拒绝的有害请求仍会触发不安全的工具调用。研究团队构建了涵盖 4 个领域、2,304 个提示词的三元组基准并测试了 5 款模型，发现工具调用上下文中模型残差流的拒绝方向激活普遍下降。
推荐理由：原文通过对照基准和内部表征分析，揭示了大模型在文本对话中学会的拒绝机制无法有效迁移到工具调用行为。
arXiv cs.LGAI 评分3939 先测量再分配：面向强化学习中 MCP Agent 的校准 Rollout 预算
研究人员提出了基于奖励分歧的 Discord 评估方法与 BRACE 预算分配框架，用于优化 MCP 环境下工具调用语言模型的强化学习训练。BRACE 通过结合历史任务证据、成功率不确定性及相关奖励模型，在前瞻性预测混合奖励组后再分配生成预算。在 3 种 Qwen3-VL 参数规模下，BRACE 以更少的新训练 rollout 超越基准表现，并在 BFCL 与 NESTFUL 上取得领先。
arXiv cs.AIAI 评分4242 用于数据湖分析编程 Agent 的无监督工具演化框架 TEAL
研究人员提出无监督工具演化框架 TEAL，能在无标注数据下为数据湖分析编程 Agent 自动构建并优化工具库与使用技能。在 KramaBench 和 LakeQA 基准测试中，TEAL 在严格步数限制下全面提升了 4 种 Worker LLM 的表现，使 Sonnet-5 在 15 步限制下的得分分别提升 9.3 分与 21.7 分。此外，基于合成问题生成的工具库表现与真实问题相当。
arXiv cs.AIAI 评分3636 TURTLE：面向长程工具调用的自调优进化评测基准
研究提出长程工具调用基准框架 TURTLE，通过提议器、求解器与反馈生成器三类 LLM 智能体协同进化任务，实现评测集的自调优与规模化生成。在 Gemma 4 31B-it 上的实验显示，该方法在 AppWorld、$\tau$-Bench 和 AutomationBench 中显著增加了任务多样性，使 AppWorld 高难度任务占比提升 165%，并激发了更广泛的失效模式。
arXiv cs.AIAI 评分4949 EGI-BENCH：企业通用智能评测基准套件发布
研究团队发布统一的大语言模型智能体评测基准套件 EGI-BENCH，整合了 CRMARENA、MCP-UNIVERSE、LOCOBENCH 等 8 个企业级智能体评测，并通过单一命令行界面提供两种运行时预算执行模式。
arXiv cs.AIAI 评分4343 Reward Engine：面向开放式工具 AI 智能体的奖励中心自我进化机制
研究人员提出 Reward Engine，通过构建包含测试用例和分级准则的 RewardPack，为缺乏确定基准奖励的开放式工具 AI 智能体生成评估与强化学习奖励。
arXiv cs.AIAI 评分4545 MS-Eval：面向 MCP 密集型工作场景的子 Agent 委派与编排评测基准
研究者提出 MS-Eval 评测套件，用于量化评估 MCP 密集型场景下的主 Agent 委派与子 Agent 执行（MAD-SAE）范式。对 4 种变体和 8 款前沿模型的评测表明，子 Agent 专业化是最佳实践，开源模型普遍具有竞争力。MAD-SAE 虽普遍增加成本，但能让多数开源模型在性能和效率上双重获益，而闭源模型则出现成本上升且性能下降的现象。
arXiv cs.AIAI 评分5050 研究提出 SAI 协议：通过类型化 MCP 覆盖实现对 LLM 智能体的持久人类控制
研究团队提出 SAI（结构化权威注入）协议，通过类型化且经过 Schema 校验的 MCP 工具调用，解决 LLM 智能体在长周期规划中人类干预指令语义模糊与效力衰减的问题。
arXiv cs.AIAI 评分4343 ProgAgent：通过编程式训练学习工具编排
ProgAgent 提出完整的编程式工具调用（PTC）训练技术栈，通过运行期变量存储中间结果以避免上下文膨胀与编排崩溃。该方案仅用 4 种环境规模下的 215 个合成任务完成两阶段训练，在 4 个基准测试中均优于同规模基线。在 LOCA-bench 的 64k-token 环境状态下，ProgAgent-14B 取得 30.7% 通过率，而参评基线得分为零。
arXiv cs.AIAI 评分3434 TASA：面向组合问题的可追踪智能体优化
研究人员提出工具增强策略智能体 TASA，通过总结并利用优化轨迹提升组合问题的求解质量。TASA 将优化过程分解为可追踪的策略选择，并结合 LLM 构建的问题专属工具与自适应工具规划器高效更新解。该方法确立了持续探索下的局部收敛性，并在共享评估预算下验证了优异的解质量与搜索可追踪性。
arXiv cs.AIAI 评分3838 RASSG：面向流式工具执行的自我修正感知语义留存门控
研究者提出 RASSG 方法，用于在流式语音交互中联合控制工具的启动与取消，以应对用户自我修正导致的失效执行。RASSG 在连续 3 次语音识别结果产生相同非空参数时启动工具，并在产生不可逆影响前的最后可行时机，结合参数失效风险与执行成本决定是否取消。
arXiv cs.AIAI 评分3838 SAT-RL：利用符号求解器训练大语言模型逻辑推理的强化学习框架
研究者提出强化学习框架 SAT-RL，通过多轮工具执行训练大语言模型与 Z3 等符号求解器交互，以解决复杂逻辑与约束推理难题。该框架结合了具有可验证解的合成数据生成、基于求解器增强轨迹的监督预热，以及带有工具感知奖励的求解器强化学习。实验显示，SAT-RL 在领域内和跨领域的逻辑任务上显著提升了工具辅助的符号推理表现，相关代码已开源。
arXiv cs.AIAI 评分5656 arXiv 论文研究 MCP 中哪些元数据影响大语言模型的工具选择
研究表明在 MCP 体系中，参数架构是影响大模型工具选择的最关键元数据因素，且模型明显偏好独立的顶层参数而非复合结构。研究团队分析了 367,174 个 MCP 工具元数据，并在 5 款大模型与 5 项任务中开展了单因素控制变量实验。结果显示，解释参数的描述能提升工具选择率，而名称的影响较弱；参数设计会直接决定功能相同的工具能否被模型正确调用。
Apple ML ResearchAI 评分4848 先规划还是先检索？大模型工具发现架构的规模化研究
研究对比了大模型工具发现架构中的“先检索后规划”（RtP）与“先规划后检索”（PtR）两种范式。在涵盖 46,984 个 API 端点的 ToolBench 评测中，RtP 在单工具查询上表现更好，而通过先生成抽象工具桩进行检索的 PtR 在多工具查询上全面胜出，这一交叉效应在 Gemini 2.5 Flash 和 gpt-oss-120b 等模型上均一致存在。
arXiv cs.AIAI 评分4444 用于工具集成化学推理的掩码扩散语言智能体 ChemDiffAgent
研究者提出了首个用于工具集成化学推理的掩码扩散语言智能体 ChemDiffAgent，将化学推理重构为在交替推理与工具使用轨迹上的迭代去噪过程。通过包含智能体监督微调和降方差偏好优化的两阶段后训练框架，该方法在涵盖 6 项化学任务的基准测试中比自回归智能体提升约 20%。其 8B 模型表现媲美甚至在部分场景超越了 GPT 5.5 和 Claude Opus 4.7 等前沿大模型，相关代码已开源。
arXiv cs.AIAI 评分4040 TaReD：面向长程任务的工具感知递归分解
针对长程任务规划难题，研究人员提出工具感知递归分解方法 TaReD，将工具按功能组织为能力层级，驱动 AI 智能体按需发现工具并递归分解出匹配阶段能力的子任务树。在复杂真实世界任务实验中，该方法将端到端任务成功率相比对比基线最高提升 40 个百分点，相关实现已在 GitHub 开源。
arXiv cs.AIAI 评分4545 工具调用 AI 智能体的受控遗忘机制：可逆上下文整理实践
受控遗忘机制允许工具调用 AI 智能体将历史工具输出替换为简短注释并归档以供恢复，无需特定模型训练。在 OpenTelemetry 调试测试中，该方法使 prompt token 从 912,492 降至 231,951，累计输入 token 减少 50%，预估 API 成本从约 4.38 美元降至 1.28-1.44 美元，但耗时增加 17%。其资源节省表现高度依赖具体工作负载。
arXiv cs.AIAI 评分3535 TopoPlanner：面向大语言模型智能体的胞腔工作流复形拓扑一致任务规划
研究人员提出拓扑一致规划框架 TopoPlanner，将工具依赖图提升为胞腔工作流复形，为大语言模型智能体提供拓扑感知上下文。该框架通过余层一致胞腔检索和多维结构推理，支持验证纠错循环与分支合并等复杂工作流生成。在 4 个工具规划基准测试中，TopoPlanner 在不同本地 LLM 骨干上均优于提示词与图增强基线。
arXiv cs.AIAI 评分3838 RadOnc-Agent：贯穿放疗全流程 AI 工作流的 LLM 编排框架
研究人员提出放疗智能体框架 RadOnc-Agent，利用 LLM 控制器将放疗流程规范化为 4 个阶段，并通过对话界面提供 26 个可调用函数。测试显示，该系统单函数选择准确率达 98.79%，预设跨阶段工作流完成率为 96.50%，真实患者工作流完成率达 96.67%。该成果验证了使用 LLM 跨流程协调异构放疗 AI 系统的技术可行性。
arXiv cs.LGAI 评分4343 SchemaFill：通过槽位并行投机解码实现高效 LLM 工具调用
研究人员提出 SchemaFill 框架，通过槽位并行投机解码加速大语言模型工具调用的结构化生成。该框架并发生成跨多个字段和调用的未来槽位候选值，并由目标模型进行前缀验证与纠错，仅提交通过验证的 token。在 Glaive 和 BFCL 基准评测中，SchemaFill 相比自回归解码实现了最高 4.05x 的端到端吞吐量提升，代码已开源。
arXiv cs.AIAI 评分3939 行动前先选择：长流程工具调用 AI 智能体的比较价值评估
研究人员提出 CITA 框架，让长流程工具调用 AI 智能体在实际执行动作前对比评估候选工具调用的长程价值。该框架结合工具行为记录、贝叶斯工具图模拟器监督与大语言模型语义判断训练出 CIM 模型，精准评估候选调用对任务成功的支持概率。在 3 个工具调用评测基准和多个骨干大语言模型上，CITA 均持续提升了 Tool F1 与任务成功率。
arXiv cs.AIAI 评分4444 Sapien：面向自主 AI 智能体的有状态策略引擎
研究人员推出用于自主 AI 智能体的有状态策略引擎 Sapien，通过规范工具调用序列防御恶意操作，效用损失保持在无约束智能体的数个百分点以内。即使智能体被完全劫持，Sapien 在 AgentDojo 与 Toolathlon 上仍分别排除了 93-95% 和 62-85% 的攻击，在长程任务中的防御效果达到工具白名单的 2 倍。
arXiv cs.AIAI 评分3939 空间策略而非底层动作：将矢量量化测地线作为 LLM 智能体工具
研究提出一种将几何工具与大语言模型结合的智能体架构，通过矢量量化测地线轨迹并生成自然语言描述作为策略工具，实现分层决策与控制。基于开源视觉语言模型 Qwen3.6-35B-A3B 在动态 2D 网格环境中测试，配合缩放与碰撞检测工具，非推理配置的目标达成率追平了高成本思维链版本，同时将单次决策耗时从数分钟降至数秒。
arXiv cs.AIAI 评分3636 ContractRL：面向可审计工具调用修复的屏蔽式群体相对策略优化
研究人员提出 ContractRL 协议，通过动作掩码过滤违规操作，将验证器引导的工具调用 JSON 修复建模为有界决策过程。在测试中，ContractRL 仅生成 34.4 个 token 即达到 0.9362 的语义成功率，表现优于 Patch-SFT（0.9076 成功率、44.9 个 token）以及完全重新生成（0.9148 成功率、137.2 个 token）。
arXiv cs.AIAI 评分4848 利用可复用原语在测试时组装任务专用 AI 智能体 Harness
STITCH 框架通过可复用的 Harness Primitives 在测试时按任务动态组装 AI 智能体 Harness，无需临时生成或修复代码。该方法超越了 Codex CLI 等人工设计的 Harness，将任务成功率较固定 Harness 基线提升最高 12 个百分点。其测试时组合开销仅 2.7%，比从头生成专用 Harness 的效率高出 638 倍。
arXiv stat.MLAI 评分5050 RLTL;DR：通过内化自生成反馈实现模型自我改进
研究团队提出 RLTL;DR 方法，让模型在任务失败后根据验证器反馈自生成精炼洞见并反向传播内化，解决了无成功范式下的自我强化学习冷启动问题。在 Pass@128 为 0 的高难度工具调用与编码测试中，该方法使 Qwen 3.5 9B Thinking 在评估阶段无上下文洞见时的 Pass@1 提升至 12%-13%，而标准 GRPO 仅为 0%-1%。
Apple ML ResearchAI 评分4747 面向 Agentic LLM 系统的共享选择性持久记忆架构
研究提出面向智能体大模型系统的共享选择性持久记忆架构，仅保留任务规范、数据 Schema 等四类可复用上下文，在企业场景中将任务完成率提升至 96%。配合零 token 数据刷新与摘要驱动生成机制，模型在周期性数据更新中可完全免于重复调用，使任务耗时缩短 14 倍并将单次 token 成本降低 97 倍。