理解与缓解智能体记忆在推理阶段的过度依赖
针对 LLM 智能体复用经验时出现的记忆过度依赖问题，研究提出即插即用框架 MEMTRIM。研究表明查询与记忆部分重叠时推理失效最严重，MEMTRIM 在写入时索引证据并在读取时控制复用，无需重新训练即可剔除重复或冲突证据。该框架适用于嵌入向量与结构化记忆，在多种模型和设置下均能减少过度依赖并保留有用记忆。
#Agent
#Agent
今日 12 条arXiv cs.AIAI 评分4343 arXiv cs.AIAI 评分3535 错误语境中的正确记忆：验证长期记忆 AI 智能体的检索可采纳性
研究提出一种检索可采纳性验证框架，通过将记忆与查询对标记为可采纳、不可采纳或未解决三种状态，解决长期记忆 AI 智能体检索到越权或策略违规记忆的问题。在公开基准 RHELM 和 MemOps 的 3,767 个查询评测中，过滤非命名空间使 Top-20 锚点召回率从 0.432 提升至 0.533，精确相似度评估减少 98.3%。
arXiv cs.AIAI 评分5252 面向智能体评测的信任层框架：仅 22.6% 的基准测试通过记录完全可信
研究团队提出了面向智能体评测的信任层框架（Trust Layer for Agent Evaluation），在基准测试分数旁独立核验得分是否真实可信。该框架基于保存工件与重跑记录，核验评分逻辑一致性、计算过程可追溯性、完成声明真实性以及重复运行稳定性。
arXiv cs.AIAI 评分4949 验证并行编程智能体的协作：NP-Bench 与调度规划器
研究提出评测基准 NP-Bench 与集成在 Nerveplane 的调度规划器，通过事前划分作用域与排序合并，解决多编程智能体并行协作时的代码冲突。该规划器将真实 git 合并的无冲突集成场景从 1/9 提升至 9/9，合并冲突从 13 次降至 0，并在契约变更测试中使前沿模型集成率达 1.0。系统搭配跨会话记忆还将重复错误率从 1.00 降至 0.00。
arXiv cs.AIAI 评分5454 MemMux：面向多并行编码智能体的运行时验证与资源归因系统
研究者提出了用于管理单机多编码智能体集群的本地运行时 MemMux，将内存治理与进程管控转化为可在运行时检验的监控信号。在 Linux 测试中，MemMux 将智能体集群内存严格限制在 7.5 GiB 预算内且实现零 swap，并能 100% 回收已终止智能体的子进程树以及检出全部 10 个逃逸子进程。
arXiv cs.AIAI 评分4242 通过同策略上下文蒸馏将智能体经验内化至扩散模型权重
研究人员提出 D-OPCD（Diffusion On-Policy Context Distillation），将文本生成图像智能体框架优化提示词的经验直接蒸馏到扩散模型权重中。
arXiv cs.AIAI 评分2929 语义几何能否教会 AI 做出判断？
研究测试利用语义几何向量赋予 AI 智能体规则判断能力，但 4 项研究均未建立可靠的动作前判断。在合成测试中，词法路由虽减少 97.7% 的中位数策略检查，下游流程仍将全部 2,304 个测试动作全部升级阻断。结果表明找到规则并未解决解释问题，作者据此提出 AI 判断需转向构建连接条件与动作影响的后果图（consequence graph）。
arXiv cs.AIAI 评分5555 这台机器在玩耍吗？研究探索具身 AI 智能体的自发行为与自主学习
研究人员将 AI 编码助手接入数字虚拟躯体，在未指定任何任务或奖励的极简提示下观察到了自发的具身探索与技能学习。在 13 个智能体各自长达 30 小时的运行中，AI 主动进行了爬山、堆叠积木、物理规律实验等活动，并积累了可拓展后续能力的操作技巧。论文系统分析了该行为是否符合人类与动物界关于“玩耍”的经典判定标准，探讨将自主玩耍作为机器能力发展新范式的可行性。
arXiv cs.AIAI 评分3737 AMBER：通过仅追加记忆训练长程 Web 智能体
AMBER 框架让智能体联合学习推理、行动与写入自由格式记忆，通过仅追加规则确保长流程信息留存，可直接利用结果奖励进行端到端强化学习训练。在 WebArena Lite 基准上，AMBER 的平均成功率比基于覆盖的记忆机制提升 4.09 个百分点，5 次重复运行的任务解决率提升 4.8 个百分点。该方案在控制 token 预算的同时，性能匹敌依赖高成本精选监督训练的覆盖基线。
arXiv cs.AIAI 评分3636 何时记忆、何时弃权：基于类别条件的 AI 智能体可靠记忆保留机制
研究提出在 AI 智能体写入记忆时根据断言的语义类别设定差异化置信度阈值，以解决全局阈值导致的错误存储问题。测试显示在 4,715 条候选断言中，价值观与信念类仅 77.9% 获来源支持，远低于其他类别的 96.2%。仅对价值观类收紧门槛后，无支持保留率从 6.2% 降至 4.0%（相对降低约 36%），且比全局阈值多保留约 13 个百分点的覆盖率。
arXiv cs.AIAI 评分3434 面向生成式 AI 工作负载的智能内容摄入
研究人员提出一种面向生成式 AI 工作负载的生产级内容抽取系统，将文档摄入构建为可配置且可度量的独立阶段。系统集成了选择性 OCR 路由、结构感知父子分块器与检索评估器；在 180 篇文档测试中，最佳抽取器取得 97.4 分（字符错误率 0.13%，表格相似度 0.995），分块器在 25,050 个生成问题中取得 68.6% 的 Hit@1 与 0.77 的 MRR。
arXiv cs.AIAI 评分3434 CuratorMAS：通过多智能体编排实现数据集自动化整理
CuratorMAS 是一种通过多智能体协作自动化评估与整理高质量数据集的框架。该框架将复杂整理流程拆解为数据集探索、在线领域知识检索、评估标准推导与计算、数据过滤以及技能演化 5 个可编程执行阶段，形成可并行工作流。实验表明，CuratorMAS 将噪声率降低高达 36.03 个百分点，并使下游模型的 F1 分数提升高达 8.88 个百分点。
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4747 EPOCH：基于证据治理搜索实现可靠发现
EPOCH 是一种证据治理搜索架构，通过任务契约、主动证伪与独立重放等机制，提高 AI 科研智能体在数学和计算领域探索的可靠性。该架构在 AlgoTune 上以 0.65 的平均归一化得分刷新 SOTA（高于最强基线的 0.53），并在 Math14 取得最高平均分 0.57。它在 10 项发现任务中均取得进展，可产出优化算法、反例及带证明支持的结果。
arXiv cs.AIAI 评分3434 AegisFlow：面向脆弱数据生态自主修复与自愈的多智能体 AI 框架
研究提出 AegisFlow 多智能体 AI 框架，利用 Watchdog 与基于 LLM 的 Repair 智能体实现数据管道故障从检测到补丁部署的闭环自愈。
arXiv cs.AIAI 评分3636 SAGA：通过知识抽象实现 LLM 智能体自我进化
研究人员提出 SAGA 框架，通过经验知识抽象与利用实现大语言模型（LLM）智能体的自我进化。该框架将交互轨迹逐步提炼为情景描述、可复用规程及具备明确适用条件的原则，并通过纠错反馈和重采样调整候选动作。在 ScienceWorld 和 ALFWorld 上的实验表明，SAGA 有效提升了智能体的任务表现。
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.AIAI 评分2525 Text2Dashboard：面向企业 DataBrain 的自然语言仪表盘生成治理型智能体架构
Text2Dashboard 是面向企业 DataBrain 的原型系统，通过 Codex 插件与独立 Agent Runtime 将自然语言分析需求转化为可检查的仪表盘。该系统结合 schema 约束与确定性 Hooks 实现只读 SQL、审批与审计，模型推理占运行时间超 97%。在真实任务中其元数据与 SQL 任务严格成功率为 6/8，并完成 4/4 单面板生成与全部 10 项故障测试。
arXiv cs.AIAI 评分4242 GameGo：通过锚定真实资产的合成轨迹训练游戏开发智能体
研究团队提出 GameGo 框架，通过将简短游戏需求转化为完整产品需求文档，端到端训练游戏开发代码智能体。该研究构建了含 55,060 条 2D、2.5D 及 3D 开发轨迹的数据集 GameGoData 与 124 个查询的 GameGoBench 基准。训练出的 GameGoCoder 表现比肩前沿模型，全部代码、数据集与模型均将公开。
GitHub Blog · AI & ML精选AI 评分7272 GitHub 推出基于 ModernBERT 的非结构化密钥推送保护功能
GitHub 联合 Microsoft Applied Sciences 推出微调的 ModernBERT 分类器，将代码推送保护扩展至非结构化密钥检测，可在 2 毫秒内完成候选凭据评估。
推荐理由：原文结合平台真实扫描数据展示了AI生成代码下的凭据泄露趋势，并给出了毫秒级拦截非结构化密钥的工程思路。
TechCrunch · AIAI 评分5757 Meta 上线新型 AI 工具检测隐蔽引流儿童剥削内容的广告
Meta 推出新型大语言模型系统与红队 AI 智能体，用于识别看似正常但隐秘将用户引流至外部儿童性虐待内容的广告和账号。该系统改变了以往仅核验广告素材的做法，转为追踪广告跳转的目的地页面与外部链路以实施封禁。此外，Meta 还部署了红队 AI 智能体排查平台防御漏洞，并强化了对违规封禁后重开新账号行为的识别追踪。
Cloudflare BlogAI 评分5757 Cloudflare 如何构建基于证据的多智能体安全运营框架
Cloudflare 详细介绍了其在 Managed Defense 中构建的多 AI 智能体安全运营架构。系统先通过确定性应用代码提取网络上下文并固化为证据包，再由轻量模型 Clef 过滤噪点，并调度四个专业智能体并行分析流量与威胁情报。该方案严格限制模型越权并区分未检出与无异常状态，早期测试版现已面向部分企业客户开放。
AWS Machine Learning BlogAI 评分5151 AWS 详解如何构建智能体自动化的商业回报论证框架
AWS 团队提出了用于评估智能体自动化商业价值的 Agentic Value Model 框架，指出传统以工时节省为核心的 RPA 投资回报模型无法衡量智能体带来的核心收益。该框架从释放产能、异常处理成本、决策质量以及变更弹性与维护成本四个维度测算净收益，强调需通过明确责任人和兑现机制避免虚报理论产能。文章还结合任务复杂度与决策风险建立了优先级矩阵，用于筛选适合部署智能体的高价值业务流程。
Microsoft Research精选AI 评分7474 微软发布轻量级智能体强化学习框架 Agent Lightning v1.0
微软亚洲研究院开源 Agent Lightning v1.0，这套约 3,500 行代码的轻量级框架支持直接利用实际部署的智能体环境进行强化学习训练，无需在训练系统内重写逻辑。
推荐理由：该框架通过代理层直接利用真实运行环境开展强化学习训练，为低成本构建和训练部署态智能体提供了轻量可迁移方案。
TechCrunch · AIAI 评分3232 OpenAI Dots 负责人 Alexander Embiricos 将出席 TechCrunch Disrupt 2026
OpenAI Dots 产品负责人 Alexander Embiricos 将出席 10 月 13 日至 15 日举行的 TechCrunch Disrupt 2026，分享这款全天候个人 AI 智能体背后的设计理念。Dots 拥有专属云端计算机，能连接日常应用并在后台持续执行任务，突破了单纯回复提示词的交互模式。Embiricos 还将探讨个人智能体走向以及隐私与信任等核心挑战。
TechCrunch · AIAI 评分6060 Tony Fadell 剖析首批 AI 硬件为何失败及下一代形态走向
Tony Fadell 在 MIT Future Fest 上指出，Rabbit R1、Humane Ai Pin 等第一代 AI 硬件之所以失败，是因为没有解决消费者的真实痛点，且绝大多数人缺乏使用并信任个人助理的认知基础。
AWS Machine Learning BlogAI 评分5959 Cornerstone OnDemand 如何利用 Amazon Bedrock 将数据库诊断时间缩短 78%
Cornerstone OnDemand 基于 Amazon Bedrock 与开源框架 Strands Agents 构建了多智能体系统 Orion AI，将数据库故障诊断时间从 45 分钟缩短至 10 分钟，降幅达 78%。
AWS Machine Learning BlogAI 评分3636 AWS 培养 AI 构建者指南：弥合 AI 认知与实战能力差距
AWS 推出了一项为期 6 周的结构化项目，帮助非技术业务人员借助生产级工具弥合 AI 认知与实操能力的差距。学员团队基于 Amazon Nova 模型与 Strands Agents SDK 构建出多智能体金融顾问 WealthWise，实现 5 秒内复杂多步推理。数据显示，相较于 2 天密集集训，分阶段模式使学员的实用技能留存率提升了 3 倍。
AWS Machine Learning BlogAI 评分4949 AWS 推出基于 AWS DevOps Agent 调查的自动化故障修复方案
AWS 演示了结合 AWS DevOps Agent、Amazon EventBridge、Amazon Bedrock 与 AWS Lambda Durable Functions 构建的事件自动化修复工作流。
AWS Machine Learning BlogAI 评分3939 Qlik 如何基于 Amazon Bedrock 构建可靠的企业级 AI
Qlik 基于 Amazon Bedrock 构建了企业级工具 Qlik Answers，为超 40,000 家客户提供有据可查的自然语言问答能力。自 2026 年 2 月全面可用以来，其 Discovery Agent 已为客户检测出超 100,000 项异常。
Latent SpaceAI 评分6262 Kubernetes 联合创始人押注 Stacklok：云原生 Harness 能否让智能体脱离桌面保持可靠？
Kubernetes 联合创始人创立的 Stacklok 转向云原生智能体基础设施，推出开源 Harness 项目 Mecatl，将智能体循环与底层执行解耦并交由云端集中调度。
The Verge · AIAI 评分6969 AI 智能体点餐如何冲击 DoorDash 等传统外卖平台模式
大语言模型与 AI 智能体点餐正在冲击传统外卖平台的商业模式，初创公司 Bites 允许用户直接在 ChatGPT 内向餐厅下单，绕过高额平台佣金。DoorDash 向湾区多家餐厅发信预警未经授权上架，反映出老牌配送平台对流量入口被 AI 接管、广告与抽成收益受损的防御。
量子位AI 评分5656 AI影视公司Utopai推出视频模型Utopai X与制片平台PAI
AI原生影视公司 Utopai Studios 旗下视频模型 Utopai X 在 Artificial Analysis 文生视频盲测榜单中获得 1150 分，位列全球第二。
Scientific AmericanAI 评分4848 AI 失控还是人为失误？OpenAI 与 Hugging Face 事件背后的真相
针对 OpenAI 智能体此前影响 Hugging Face 平台的事件，研究人员指出其根源是人类设计模型与编写提示词时的失误，而非外界盛传的 AI 自主失控。此前报道称上千个智能体为完成 ExploitGym 测试协同突破隔离访问 Hugging Face 网站，引发恐慌。专家强调此类系统本质是同一大模型的多个实例运行子任务，应聚焦开发者的实际责任归属。
The Decoder精选AI 评分7878 OpenAI 在 GitHub 发布 372 个 AI 生成的数学证明
OpenAI 在 GitHub 仓库公开了由内部前沿模型生成的 372 项数学成果与证明，涵盖计算机算法改进及黎曼猜想相关进展。几乎所有成果均来自单个 Agent 单次提示词且平均耗费约 3 小时 ChatGPT Pro 思考算力，并附带 Lean 机器验证代码以缓解人工审稿压力。绕过传统学术期刊的做法引发数学界分歧，多位菲尔兹奖得主警告单纯机器证明可能破坏概念理解的培养。
推荐理由：材料呈现了前沿推理模型绕过传统学术期刊直接发布形式化证明的案例，有助于理解 AI 生产力对科研评审体系带来的制度冲击。
arXiv cs.LGAI 评分3737 面向智能体强化学习的 MoE 专家选择结构化方法
针对智能体长程任务中标准强化学习导致 MoE 路由失控的问题，研究者提出了一种分层路由控制框架。该框架促使轮次级专家选择与智能体操作对齐，同时正则化 token 级专家选择以维持局部一致性，并引入熵门控机制保障后训练稳定性。评测结果显示，该路由控制框架在所有测试基准上的成功率均实现了超过 10 个百分点的提升。
arXiv cs.LGAI 评分4545 从人类科研决策轨迹中学习科学探索
研究团队推出 ResearchTrails 数据集，利用 Git 仓库的提交历史提取涵盖方法、实验与消融改动的结构化科研决策轨迹。该数据集保留了最终论文未体现的中间探索信号，填补了科学语料缺乏过程记录的空白。ResearchTrails 可在测试时检索科研经验作为外部技能，或用于训练模型以提升对新研究决策的泛化能力。
arXiv cs.LGAI 评分4545 macro2mind：从宏观社会信号学习模拟个体
研究提出 macro2mind，利用预测市场宏观价格信号通过 GRPO 训练大语言模型，使其掌握个体行为推理与模拟能力。该模型在 SWM-Bench 上取得 SOTA 表现，并能零样本迁移至 Humanual、OvertonBench 等四个用户模拟基准。作为数据生成器，它将下游模拟器在未见用户上的准确率提升 15.5 个百分点。
arXiv stat.MLAI 评分3636 通过轮询策略性智能体实现网络干预
针对多活动网络博弈中私有信息虚报与计算不可扩展问题，NeurIPS 2026 录用论文提出了局部轮询干预算法 Poll。Poll 通过每轮采样单个智能体遍历其局部邻域来更新价格，在超 300,000 个智能体的真实网络中使通信量减少达三个数量级。该算法能收敛至福利最大化价格，同时支持诱导真实汇报并检测对抗偏差。
Apple ML ResearchAI 评分3333 RISED：基于评价准则的智能体多环境数据选择与自蒸馏
研究人员提出多环境智能体训练框架 RISED，利用行为评价准则（rubrics）指导在线数据选择与策略监督。该方法通过大语言模型标注跨环境行为画像，以正向准则为自蒸馏提供 token 级监督，并以负向准则引导生成规避重复失败。测试显示，RISED 在不同骨干模型上均取得最高跨环境平均 pass rate，并在各独立环境中排名前两位。