用于概念数据库设计支架式反馈的教育者引导型 LLM 教学智能体
研究人员推出面向概念数据库设计支架式反馈的教育者引导型 LLM 教学智能体，并集成至 ERD 编辑器中。系统将基于成果的隐式诊断与控制披露层级的工作流分离，依次提供概念检查、引导应用、低细节反馈和局部澄清四阶段支持。在涵盖 3 个 ERD 环境与 383 次反馈交互的部署中，71.1% 的目标级修改完全或部分融入了隐式诊断目标。
#Agent
#Agent
今日 10 条arXiv cs.AIAI 评分3636 arXiv cs.AIAI 评分5858 Kepler：面向 ARC-AGI-3 的可审计世界模型评测框架
研究人员推出开源评测框架 Kepler，将假设表示为可执行世界模型，并在 ARC-AGI-3 全部 25 个公开游戏中使冻结配置的 Claude Opus 5 达到 100.00 RHAE 的服务器验证成绩。
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4444 ReLiveGym：在数周回放的真实数据流中评测长周期智能体
研究人员推出长周期任务评测环境 ReLiveGym，用于评测大语言模型智能体在数周回放的新闻、市场与社交媒体真实数据流中的稀疏行动表现。基于 8 款基础语言模型的测试显示，决定行动时机的 harness 设计与模型选择直接影响智能体表现，且最优方案因任务而异。研究还评测了后验反馈对改善长周期任务失败模式的作用。
arXiv cs.AIAI 评分2727 面向交互策略快速自适应的元多智能体强化学习及其在自动驾驶中的应用
研究提出一种元多智能体强化学习（meta-MARL）框架，将多智能体强化学习建模为马尔可夫博弈，实现交互策略在多智能体系统中的快速自适应。该方法定义了 meta-NE 解概念，并确立其与基于梯度博弈的算法平稳点之间的等价性充分条件。自动驾驶任务评测显示，该框架比预训练 MARL 基准实现了更快的自适应速度。
arXiv cs.AIAI 评分2929 面向规范引导决策的简易信念道义逻辑
研究提出一种面向规范引导决策的简易信念道义逻辑，结合 Chellas 极小道义逻辑片段、显式条件规范与多智能体 KD45，支持规范依赖智能体对事实及规范的信念。基于该逻辑定义的信念规范依从优化问题旨在最小化加权规范违背，并区分了主观优化与客观优化。研究进一步给出了二者一致的条件，且最优决策可在多项式时间内归约至加权偏 MaxSAT 求解。
arXiv cs.AIAI 评分4949 Agent 评测可靠性研究：增加任务并不总能改善排行榜
研究提出用于 Agent 排行榜的贝叶斯方差分解框架并测试了 22 个基准，发现单纯增加评测任务无法解决模型排名不确定性。固定模型与脚手架系统的排名可靠性达 0.935-0.994，但底层模型可靠性仅 0.148-0.841，无限增加相似任务最多只能提升 0.097。聚合多样化基准则可在相同预算下将可靠性从 0.44 提升至 0.75，并降低至多 83% 的成本。
arXiv cs.AIAI 评分4141 Incident-Arena：让智能体迈向极高可靠性
研究团队推出 Incident-Arena 基准，用于评估 AI 智能体在生产环境中的故障响应与 SRE（站点可靠性工程）能力。该基准包含在临时 Kubernetes 集群中部署的 20 个真实任务与功能验证机制，智能体测试平均耗费 2.81M tokens 与 41 轮交互。评测显示前沿模型得分均低于 64.3%，失败原因涵盖诊断定位错误、修复不完整与不安全回归。
arXiv cs.AIAI 评分3535 CompMat-Bench：面向计算材料科学的 AI 智能体评测基准
CompMat-Bench 是面向计算材料科学的 AI 智能体评测基准，包含来自近期研究的 94 个任务，通过预先复现模拟输入与输出并按固定规则评分，避免了评测中的昂贵模拟。在单任务完整指导条件下，基于 3 个 LLM 的智能体通过率为 66.0-90.4%。长工作流与精简指导会降低表现，且多数失败源于科学错误而非软件使用错误。
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4444 Legal Research Bench：评测长程法律研究智能体的端到端可靠性
研究者推出 Legal Research Bench（LRB），通过 413 道专家编写的开放式美国法律问题，评测长程法律研究智能体的端到端可靠性。在配备判例检索等工具的环境中，13 个前沿模型接受全通过与法源验证评分，表现最好的 Claude Opus 4.8 完全正确率仅为 42.9%。结果显示，更多交互轮次、工具调用和推理成本并不能带来更高准确率。
arXiv cs.AI精选AI 评分6262 多用户多智能体团队协作为何性能恶化：MAMUBench 基准与失效机制研究
arXiv 新研究探讨了多用户多智能体（Agent）团队在共享资源下的协作失效问题，覆盖 5 款前沿模型与 4 个环境的 77 个场景。实验显示多 Agent 团队在所有环境中的整体表现均劣于单一协调者 Agent，甚至出现停滞、互相覆盖操作与捏造信息等行为，在个人助理场景中协调者满足请求的成功率约为团队的两倍。
推荐理由：研究量化了多用户场景下多智能体各自为政导致的系统性失效，为设计跨用户协作协议提供了机制层面的实证参考。
arXiv cs.AIAI 评分3535 智能体决策之前：基于 LLM 系统的认识性行动
FAST 研讨会论文将认知科学中的“认识性行动”引入基于 LLM 的智能体系统，强调智能体在决策前应主动生成就绪的判断证据。该研究明确了认识性行动的三种模式，即获取缺失证据、转换现有证据以及探测系统以产生揭示性响应。同时，论文提出了包含接口、工具与环境的“认识性支架”，用于确保上述行动具备可行性与可审计性。
arXiv cs.AIAI 评分3333 JevSpawn：通过组合动作空间实现自适应智能体推理
JevSpawn 提出一种将自然语言任务规范与有限概率探索相结合的组合策略，以解决大语言模型智能体逐 token 生成推理和动作过慢的问题。该方法通过并行动作生成、反馈驱动的分支选择及共享前缀减少重复计算，无需额外训练。在 8 个基准任务对比 7 个智能体基准与 TypeSafe Jev 变体的测试中，JevSpawn 实现了更优的任务表现与更快的导航速度。
arXiv cs.AIAI 评分3535 LLM 智能体错误恢复机制的因果评估
新研究将大语言模型智能体的错误恢复建模为因果决策问题，提出轻量策略 Causal Intervention Router（CIR）以决定是否介入。在 Qwen3-14B 的 ALFWorld 任务中，CIR 将成功率从 70.33% 提升至 73.33%，且不影响原本观察正确的轨迹。结果表明恢复收益无法仅靠环境新观察解释，为选择性恢复提供了实用评估方法。
arXiv cs.AIAI 评分3535 AI 智能体该记住什么？解耦有界内存评估中的保留与检索
新研究构建流式召回基准解耦 AI 智能体的保留与检索机制，揭示传统评测若混淆历史访问会导致 53.2 个百分点的归因偏差。在固定的 300 个测试回合中，查询感知选择使事实召回率提升 15.5 个百分点，且受限保留下的全部 319 次失败均由信息驱逐而非排序错误导致。结果表明，有界内存评测必须固定访问权限并分别汇报保留与选择表现。
arXiv cs.AIAI 评分3636 JusticeAxis：在机械法条匹配与无根据裁量之间评测法律判决能力
研究团队提出法律判决评测基准 JusticeAxis 及框架 JusticeAgent，用于在机械法条匹配与无依据裁量之间评测并平衡法律判决。JusticeAxis 包含来自 18 个国家的 256 起真实多模态刑事案件及对应的专业判决数据。实验显示开源基座易偏向无根据推断，前沿模型则倾向法定默认值，而 JusticeAgent 插件可使冻结的开源基座达到商用水平。
arXiv cs.AIAI 评分3535 分布式多智能体委托中的容错预算守恒机制
针对并发与故障场景下智能体委托的超支问题，研究提出分布式多智能体委托的容错预算守恒机制。该方案将预算量化为在委托 DAG 中流动的排他托管信用，派发前转为绑定最大扣费与幂等键的操作预留，并由网关核验签名许可。经 TLA+ 检验与注入崩溃的 SQLite 实验验证，该机制在崩溃、重试、分区与延迟完成场景下均严格维持了预算上限。
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3434 Predictive Credit：度量科学解释为实验预测带来的实际增量
科研智能体评估框架 Predictive Credit 在 Tox21 与 OpenML 任务中测试发现，科学解释带来的预测精度增益仍未获证实。
arXiv cs.AIAI 评分3232 Rules to Tools：科学计算中 LLM 智能体的可执行检查
Rules to Tools（R2T）为科学计算中的 LLM 智能体提供预置可执行检查工具，将代码修复表现从纯文本规则的 26/30 提升至 29/30。在 SciCode 测试中，工具组分别取得 15/16 与 7/10 的修复表现，优于纯文本组的 13/16 和 3/10。在匹配的 PDE 对比中，检查工具取得 24/24 修复表现并减少 31.2% 的模型输出，但公共 CPU 消耗有所增加。
arXiv cs.AIAI 评分3232 文本具身智能体何时遵从用户修正：GAVA 裁决机制研究
GAVA 机制使文本具身智能体在面对可能错误的用户修正时，能自主在接受、拒绝、环境检查与反问之间进行裁决。在 ALFWorld 的 972 对正误干预测试中，完整局部检查使 GAVA 达到 100% 纠错准确率并降低交互成本。结合语义先验后，该方法在 340 个未见场景中进一步降低联合成本，测试准确率达 98.8% 与 98.7%。
arXiv cs.AIAI 评分3535 EviGraph：基于时序公共服务知识图谱的附证明选择性推荐
EviGraph 提出了一种面向时序公共服务知识图谱的推荐框架，通过区分关键决策要求与可悬置信息减少不必要的推荐弃权。该方法由语言智能体将需求关联至图谱证据，并由确定性检查器核验推荐是否具备支持。在双语香港公共服务基准上的测试表明，明确决策必要条件有效减少了弃权，而过度增加验证反而可能在不提升决策质量的情况下撤回有效推荐。
arXiv cs.AIAI 评分5252 Scientific Agents 研究：在科学任务中评估特定专业系统提示词的效果与成本
一项新研究评估了面向科学任务的特定专业系统提示词，发现详细专业画像不仅未带来一致的准确率提升，反而显著推高了 token 消耗和响应成本。在 9 个文本科学基准测试中，专业提示词相比极简基线的平均准确率差异为 -0.6 个百分点，单次调用成本却高出 2.2 至 4.5 倍。
arXiv cs.AI精选AI 评分6060 研究团队开源本地运行的 AI 科研助手 K-Dense BYOK
研究团队推出开源 AI 科研助手 K-Dense BYOK，支持本地运行、自带模型密钥并记录哈希链实验笔记。该系统内置科学流程与模板，通过直接监控智能体动作生成只增不删的防篡改日志，旨在解决模型过度声称成果的问题。在 20 项跨学科科研测试中，其科学质量与执行表现优于两家托管平台，交付物通常附带结果复现命令，相关代码已采用 MIT 协议开源。
推荐理由：该项目通过直接监控智能体动作而非采信模型自述来记录只增不删的日志，为科研可复现性提供了可迁移的工程思路。
arXiv cs.AIAI 评分4545 评测微任务合格差距：开箱即用的 SLM 何时足以用于智能体框架？
最新评测显示开箱即用 SLM 难以胜任智能体微任务，Qwen3（0.6B/1.7B/4B/8B）在 4 项任务的 16 组配置中合格率为 0。该差距在 Llama-3.x（12 组全不合格）与 4-bit 量化下同样存在，表现主要取决于模型大小而非精度。研究建议仅在传统基线不足时调用 SLM，例如 4B 重排序模型在 BM25 候选上可取得 +0.047 的增益。
arXiv cs.AIAI 评分3838 从提议到验证效果：受控 AI Agent 执行框架 Praxa
研究者提出 AI Agent 执行治理框架 Praxa，通过确定性准入与外部回读等机制，使执行状态转换显式可测。在 Terminal-Bench Core 0.1.1 试验中，其可靠性层与基线均通过 17/36 次测试，但多消耗 37.49% 输入 tokens。在协调代理测试中，候选方案完成 180/180 次试验且准确率持平，token 消耗降低 37.11%、预估端点成本降低 33.84%。
arXiv cs.AIAI 评分3434 因果世界模型何时对模块化 LLM 智能体有帮助
研究提出面向模块化 LLM 智能体的因果世界模型框架 FedCausalCompose，表明因果结构仅在跨模块接口可统计识别且形式适于行动时使用的条件下才真正有效。实验显示，因果接口在通过 API 明确暴露前后置关系的结构化工具环境中收益最高；而在对话与叙事环境中，通常需要短注意力锚点辅助，智能体才能有效利用因果信息。
arXiv cs.AIAI 评分3737 长跨度语言智能体中的重尾记忆轨迹
研究发现长跨度语言智能体的记忆检索呈现重尾分布，稀有状态会累积预测误差，为此提出 Core-Tail World Model（CTWM）记忆控制器。CTWM 通过单一指数分配提示词预算并保留长尾摘要，在 Synthetic Graph World 上降低 13.6% 的后半段长尾误差并节省 5.9% 的 token。
NVIDIA Blog精选AI 评分7979 NVIDIA GPU 如何加速 OpenAI 的 GPT-6 Astra Ultrafast
OpenAI 推出的 GPT-6 Astra Ultrafast 已上线 API，依托 NVIDIA Blackwell GPU 架构及专属推理优化，token 生成速度最高达到 Astra Standard 模式的 8 倍。
推荐理由：文章展示了通过模型优化 GPU 内核实现提速的路径，有助于理解硬件协同对智能体多轮调用的延迟改善。
Latent SpaceAI 评分6060 Latent Space 对话 MIT Alex Zhang：从 GPU 内核、RLM 递归智能体到 Harness 组合泛化
Latent Space 专访 MIT 博士生 Alex Zhang，深入探讨了 GPU 内核自动编写、递归语言模型（RLM）以及测试框架 Harness 对大模型组合泛化的核心机制。
NatureAI 评分3333 《Nature》每日简报：你能说出所有女性诺贝尔奖得主的名字吗？
Nature 每日简报推出互动测试回顾 125 年历史中的女性诺贝尔科学奖得主。同时，韦氏词典在线版新收录了 agentic、vibe coding 和 prompt engineering 等热门 AI 专业词汇。此外，简报还报道了新羽毛恐龙化石揭示飞行演化非线性、胰腺癌早期拦截药物 daraxonrasib 及人类世命名争议。
AWS Machine Learning BlogAI 评分3939 基于 Amazon Bedrock AgentCore 智能体 AI 扩展云迁移规模
AWS 介绍了基于 Amazon Bedrock AgentCore 的四智能体架构模式，在超 300 款应用迁移项目中将单应用 IaC 开发时间从 3 至 4 周缩短至数分钟。该方案基于 Strands Agents SDK 与 MCP 工具构建，包含 Intake、IaC、治理及 SRE 智能体，可与 AWS Transform 及 AWS DMS 协同覆盖企业定制化迁移与运维需求。
AWS Machine Learning BlogAI 评分4343 通过 Amazon Quick 在 AI 构建的应用中提供实时受监管数据
Amazon Quick 推出 Live Data in Apps 功能，使 AI 构建的应用能实时查询受监管的 Quick Sight 数据集，取代构建时的静态快照。查询在应用打开时以访问者身份执行，支持 SPICE 与 Direct Query 模式，并自动继承行级（RLS）与列级安全（CLS）规则。构建与查看该应用的最低角色要求为 Reader Pro，且不支持匿名访问。
AWS Machine Learning BlogAI 评分5050 基于 NVIDIA NeMo Agent Toolkit 与 Amazon S3 Vectors 构建智能体记忆层
AWS 介绍了如何将 Amazon S3 Vectors 作为持久记忆层接入开源框架 NVIDIA NeMo Agent Toolkit（NAT），并部署在 Amazon EKS 上运行。
TechCrunch · AIAI 评分6969 Shopify 推出 Canvas：支持通过 AI 对话搭建在线店铺
Shopify 推出建站工具 Canvas，允许商家通过与其 AI 智能体 Sidekick 对话直接搭建在线店铺。该工具会直接修改主题文件并实时渲染底层真实代码，支持商家即时测试页面交互、动画效果与多屏幕适配，Sidekick 还会通过自动截屏保持视觉同步。当前 Canvas 仅限桌面端使用，首发版本暂不支持第三方主题、应用扩展、多市场和多语言翻译等功能。
TechCrunch · AIAI 评分6565 亚马逊开源决策模型 Strands Decider 2B，面向智能体工作流优化低延迟决策
AWS 正式开源轻量决策模型 Strands Decider 2B，可在本地运行并针对预设选项提供高速、低成本且带置信度度量的决策判断。该模型由 Strands Labs 推出并基于 Qen3.5-2B 改造，不生成文本而是输出校准选项，旨在替代智能体工作流中昂贵且延迟高的大语言模型。其曾短暂登顶 Jevbench 同尺寸榜单，主要用于确定工作流下一步动作。
AWS Machine Learning Blog精选AI 评分6161 基于 Amazon Bedrock AgentCore 构建环境智能体：从事件驱动信号到人机协同工作流
AWS 团队发布了基于 Amazon Bedrock AgentCore 构建环境智能体（Ambient Agents）的参考架构与部署方案，将事件驱动触发与人机协同机制结合。
推荐理由：方案给出了事件触发与单个中断工具结合的代码模式，适合需要将自动化管道改造为人机协同架构的工程团队参考。
PhoronixAI 评分6565 Linux 网络子系统部分修复推迟至 7.4，开发者称已被 AI 补丁彻底压垮
Linux 网络子系统开发者表示已被 AI 和大语言模型驱动的补丁提交、Bug 报告及劣质代码彻底压垮。受此类自动化活动持续增加的影响，尽管 Linux 7.3 稳定版还有三周才发布，部分网络修复已被提前转移推迟至 Linux 7.4。
NatureAI 评分6161 韦氏词典收录 vibe coding 与 agentic 等多项 AI 词汇
韦氏词典在线版新增 1400 个词条，正式收录包括 vibe coding、agentic、prompt engineering、AGI 和 compute 名词用法等一系列 AI 术语。词典编纂团队与认知语言学家指出，这些高门槛专业词汇频繁见诸主流媒体并入选词典，反映出数字传播正在推动前沿科技概念加速渗透进大众日常语言。