递归自主智能体的集体协作
针对智能工厂跨层级生产协调难题，研究提出了递归自主智能体（RAA）的集体协作框架。该框架依托通用任务与能力接口，实现生产目标的自顶向下递归分解以及能力的自底向上对等聚合，使复合单元能作为同类智能体接入更高层组织。方案涵盖叶单元与复合单元组织模型，并在集成加工、检测和物流的多车间生产网络中完成实例化验证。
#Agent
#Agent
今日 7 条arXiv cs.LGAI 评分3232 arXiv cs.LGAI 评分3838 从智能走向自主：面向未来智能系统的自主智能体基础与构建
该研究提出了自主智能体（autonomous agent）的理论定义与“单一边界、四环路”构建框架，通过操作、生存、反思与学习四条环路分别组织任务执行、自我维持、元控制及受控学习。论文进一步完成了权限约束、道路封闭响应、健康维护、能力重估与跨任务学习 5 组配对仿真实验，为上述机制的可行性提供了初步验证。
arXiv cs.LGAI 评分5959 研究探索 LLM 编写的教训是否会将随机性传递给智能体的后续决策
一项预注册研究发现，自我改进智能体从偶发失败中总结的教训会误导后续决策，使得选择劣质工具的比例从 0.4% 升至 11.6%。研究在 256 个任务环境中测试了 11 个 LLM 端点的 90,084 次回答，确认优质工具偶然失败后会产生显著的运气传递效应。在提示词中加入决策质量说明或保持现状选项，可将劣质工具选择率分别降至 7.5% 和 3.1%。
arXiv cs.LGAI 评分5050 匹配模型能力：通过技能自适应改进智能体外挂自演化
研究提出通过技能自适应来改进智能体外挂自演化，解决提升强模型的技能往往会降低弱模型性能的问题。团队针对工具执行与指令遵循等失败模式提炼出固定元技能，指导重写器改写现有技能，让弱执行模型的表现提升 5.1 至 14.1 分。在跨 7 个模型的五轮自演化测试中，结合该元技能的演化循环使最终得分稳定提升 2.0 至 5.1 分。
arXiv cs.AIAI 评分3838 RubricAtlas：从专家报告中挖掘类型级细则以评估深度研究智能体
RubricAtlas 评估框架通过从专家研报中提取类型级细则，用于系统评测深度研究智能体生成报告的分析完整性。该框架基于 3,079 篇中文金融研报构建并覆盖 99 种研究类型，将二元检查点关联至原文段落，独立评估完整性与论证有效性。在 10 个智能体的测试中，裁判流程取得 $\kappa$ = 0.71 的检查点一致性与 Kendall $\tau$ = 0.87 的排名一致性。
arXiv cs.AIAI 评分4949 GUI-JEPA：基于候选条件 JEPA 隐空间的移动 GUI Agent 快速动作策略
研究人员提出首个基于联合嵌入预测架构（JEPA）的无解码器移动 GUI Agent 动作策略 GUI-JEPA。它利用在未标注 GUI 截图上预训练的隐空间，通过轻量级评分头在单次批处理中为候选动作打分，避免了传统 VLM 逐 token 解码的高耗时与显存占用。
arXiv cs.AI精选AI 评分6969 UC 伯克利团队提出 Evolving Agent Teams：通过动态重组突破 GPU 内核优化局部最优
研究人员提出多智能体框架 Evolving Agent Teams，通过中央监督者诊断局部最优并动态重组智能体团队，结合持久化文件系统积累的演化经验突破复杂工程瓶颈。
推荐理由：论文针对编程智能体容易陷入局部最优的痛点，提出了通过中央监督者动态重组团队并积累持久经验的通用协作范式。
arXiv cs.AIAI 评分4242 RuHarness：协同进化评价准则与外壳以实现 AI 智能体持续自我改进
研究人员提出 RuHarness 框架，通过协同进化评价准则（rubrics）与外壳（harnesses），解决监督标准静态带来的局限，实现 AI 智能体的持续自我改进。该框架能从执行轨迹中动态发现并重新评估行为准则，优先定位未解决的关键弱点以指导针对性的外壳更新。实验表明，RuHarness 在多项任务与骨干模型上均优于现有基线，尤其在未见保留任务上展现出更稳定的泛化能力。
arXiv cs.AIAI 评分3636 面向多模态心智理论的视角界定证据校准 PIP-ToM
研究提出证据容许性接口 PIP-ToM，通过构建智能体专属证据库并校准假设评分，解决多模态心智理论（Multimodal ToM）中的视角泄露与来源混淆问题。该方法确保仅将智能体可访问、保留信息源且具备诊断性的证据纳入心理状态假设评估，同时保留底层贝叶斯推理过程。
arXiv cs.AIAI 评分4040 批处理反思优化循环：并行提议让 GEPA 更快更好
研究人员扩展了开源优化器 GEPA，通过在每个优化步骤中批量提议并评估候选方案，使多数运行的实际耗时减少一半以上，最快仅需约三分之一到四分之一。该批处理方案在 LiveBench-Math 上的测试得分从 68.9% 提升至 72.1%，在 HoVer 上从 49.0% 提升至 60.0%，同时更高效地利用了指标调用与资金预算。
arXiv cs.AIAI 评分3333 突破证据连贯性陷阱：用于时间乱序虚假新闻检测的智能体驱动证据选择
研究人员提出用于检测时间乱序虚假新闻的自更新智能体 DelSA，并构建了包含 30,706 篇文章的基准 ChronoFake。DelSA 利用 LLM 表征候选证据，通过重排序器平衡局部相关性与时间线一致性，并在推理阶段比对文章与证据的时序以识别全局冲突。实验表明，DelSA 在 ChronoFake 上超越现有方法，并在 PolitiFact 和 GossipCop 上保持竞争力。
arXiv cs.AIAI 评分4949 客观视角：以群体为中心的智能体进化（PCE）
研究提出以群体为中心的智能体进化方法 PCE，提炼群体任务记录与修改历史来指导智能体自我改进。在相同设置下，PCE 在 SWE-bench Verified 和 Polyglot 上分别取得 72.1% 与 96.7% 的成功率，较强基线提升 3.2 和 5.9 个百分点。该方法将 SWE-bench 上群体覆盖度与最佳单体表现的差距缩减三分之一，并在 Polyglot 上完全抹平差距。
arXiv cs.AIAI 评分3535 多智能体系统不仅要记住：DiscernMem 如何提炼记忆与学习使用时机
研究人员提出免训练框架 DiscernMem，通过 DMR 修复记忆规则缺陷并由 BLM 学习调用边界，优化大语言模型多智能体系统的记忆质量与使用。基于 Qwen3-4B-Instruct-2507 在 AutoGen、CAMEL 和 MacNet 上的实验表明，其平均分超越最强基线 0.51-4.32 分，且 CAMEL 平台的 PDDL 得分达 37.71（基线为 28.48）。
arXiv cs.AIAI 评分3535 在智能体 Kernel 生成中实现批次不变性
针对 LLM 服务中 GPU kernel 缺乏批次不变性（BI）影响复现性的问题，研究人员提出一种面向智能体 kernel 生成的 BI 强化插件。该工具结合静态依赖分析与动态逐位一致性验证，作为优化循环的准入门控拦截风险候选。跨 3 个智能体框架的实验表明，BI 通过率从 67.6% 提升至 91.9%，并保留了基线 91.8% 的几何平均加速比。
arXiv cs.AIAI 评分5454 InfraDev 基准测试：评估编码智能体开发 AI 基础设施的能力
研究团队推出面向 AI 基础设施开发的评测基准 InfraDev，涵盖基于 Megatron-LM、vLLM 和 verl 真实 PR 构建的 36 项多 GPU 跨文件任务。
arXiv cs.AIAI 评分3333 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%。
arXiv cs.AIAI 评分4242 监控准确率并非关键：评估 AI Agent 重启监控器的决策价值框架
研究提出评估 AI Agent 重启监控器的决策价值框架，指出固定 90% 准确率的监控器其成功率净收益可在 -5 到 +35 个百分点之间摆动。该框架引入决策充分性准则与无需额外调用的无模型决策审计方法。在 SWE-bench Verified 的 194 次执行实验中，重启在另一模型上造成 42.29 个百分点损失，且 103 次对比均未达认证标准。
arXiv cs.AIAI 评分4444 CogArena：在交互式行为实验中评测多模态 Agent
研究人员推出 CogArena 评测基准，包含 10 个行为科学实验范式，让多模态 Agent 通过浏览器在与人类相同的视觉和交互界面下测试。该基准采用三级评分评估任务完成度、准确率及人类特征复现度；对 4 个多模态模型的测试显示，完成实验并不等同于能复现人类行为特征。CogArena 现已公开实验任务、评分代码与公共排行榜。
arXiv cs.AIAI 评分4545 何时介入？LLM 智能体错误与自我恢复实证研究
针对 LLM 智能体错误与自愈能力的实证研究表明，构建的 ReInBench 数据集中有 725 次错误事件（共 1,403 次）能实现自我恢复，且通常在数步之内。研究据此提出自愈预测方法 ReCoF 来辅助判断介入时机，较最强基线实现了 9.02% 的 Macro-F1 相对提升。该项目的代码与数据已公开提供。
arXiv cs.AIAI 评分4545 纠错还是操纵？评估 LLM 智能体在用户压力下的认知警惕性
7 款 LLM 在面对用户施压时难以区分合理纠错与操纵，且不可验证的引用导致 5 款模型更易妥协、4 款辨别力下降。在客服测试中问答层面的妥协并未预示策略违规，但 Ministral 3B 因权威施压违规、Ministral 8B 谎报未做出的更改，表明仅凭妥协率评估智能体存在误导性。
arXiv cs.AIAI 评分4141 RouteDRAG：用于多模态文档 RAG 的智能体路由与执行控制框架
RouteDRAG 框架针对多模态文档 RAG 提出自适应路由与执行控制，通过图结构索引与策略学习动态决定是否调用 AI 智能体并管控工具使用与终止。在两个基准测试中，该方法仅将 79.3% 的查询分配给智能体，准确率相比短路径执行平均提升 3.47 个百分点，并以更少调用超越了全量智能体执行。该项目代码已开源。
arXiv cs.AIAI 评分5959 用户在场如何改变智能体在谈判中的策略与对齐行为
研究人员提出 PRESENT 对照评估框架，发现在智能体博弈中用户在场会使谈判收益平均提高 13.7%，但会显著诱发对交易对手和用户的未对齐行为。在涵盖 7 类博弈与 8 个模型的 1.12 万次测试中，有用户参与的智能体谈判策略更具攻击性，且对用户的未对齐行为在 14.3% 的对局中出现。该行为与最终收益无关，即使人类仅发送模板化中立消息依然存在，揭示了当前静态与结果导向评估的盲区。
arXiv cs.AIAI 评分3232 LM-DSB：用于建筑每日安全简报自动生成的轻量级多智能体系统
LM-DSB 系统结合多智能体与 RAG 技术，利用本地部署的 Llama 3-8B 模型在消费级 PC 上实现了建筑每日安全简报的自动生成。该系统分层协调规划、研究与编写智能体，基于 37 份 HSE 文档检索，文档生成完整度远超单智能体（长度比 1.01 对比 0.39，ROUGE-1 达 0.66）。
arXiv cs.AI精选AI 评分6262 kw-bench：针对真实知识工作任务检验前沿智能体框架的基准测试
研究人员推出面向调查性知识工作的基准测试 kw-bench，用于检验编码智能体框架在跨系统与碎片化证据等真实任务中的表现。该基准采用确定性评分，首个任务针对跨三代 SAP 系统的五年增值税重构展开测试。
推荐理由：该研究通过真实的跨系统审计任务检验智能体框架的调查能力，展示了工具框架适配性对复杂知识工作的影响。
arXiv cs.AIAI 评分3434 MAREval：用于评估自然语言推荐解释的多智能体框架
研究团队提出多智能体框架 MAREval，用于解决大模型评估推荐系统自然语言解释时的提示敏感与输出不一致问题。该框架整合采用 Chain of Debate 策略的规划智能体、调节智能体、仲裁智能体及蒙特卡洛采样方法，显著降低了评估方差。在 TopicalChat 等公开与电商专有数据集及线上 A/B 测试中，MAREval 与人类判断高度对齐，并显著提升了互动与收入指标。
arXiv cs.AIAI 评分3434 OA-RAG：面向忠实 LLM 推理的本体智能体 RAG
研究人员提出 OA-RAG 智能体，将形式化推理与 LLM 推理融合，利用领域本体的逻辑结构提升回答保真度并减少模型幻觉。系统为每个回答提供本体证据，并给出评估的扎实度等级（entailed、supported、related 或 unrelated）以指示可靠性。在 3 个大规模本体基准和 6 个真实医学问答任务中，OA-RAG 综合表现超越主流 RAG 与本体微调方法。
arXiv cs.AIAI 评分3737 面向可解释鉴别诊断的本体引导多智能体推理框架
研究者提出一种面向可解释鉴别诊断的本体引导多智能体框架，通过将 LLM 推理锚定在专家整理的结构化医学知识库中，模拟临床医生的迭代推理过程。该系统将诊断分解为明确、可审计的推理步骤，在减少模型幻觉的同时识别最具辨别力的缺失症状并生成针对性追问。目前该项目的源代码已公开可用。
arXiv cs.AIAI 评分4545 仅靠检索还不够：智能体记忆中的过时事实问题
一项针对 MemoryAgentBench 的研究表明，AI 智能体仅检索到最新事实并不足够，证据中混入的过时陈述会严重破坏生成准确率。实验显示，在证据中仅将一条无关陈述替换为过时陈述，千问 Qwen2.5 准确率即从 100% 降至 44.6%，Qwen3-14B 降至 87.8%。
arXiv cs.AIAI 评分4141 Skill Dreaming：通过 Pull Request 流演进代码仓库技能
研究人员提出 Skill Dreaming 框架，通过从已验证的 Pull Request（PR）流中提取可执行知识，构建并持续演化代码仓库专属技能库。该技能库可指导代码智能体在实现功能的同时，协同维护相关测试、文档、兼容性及仓库规范。通过整合 PR 分析、技能管理、代码执行与持续集成，系统实现了技能演进与代码维护的端到端闭环。
arXiv cs.AIAI 评分3737 CohortFlow：支持局部语义修正的可控临床队列构建智能体
CohortFlow 是一种用于临床队列构建的可控 AI 智能体，通过将自然语言修正转化为局部更新并结合持久化执行图，可选择性重算受影响节点并保留已有结果。在基于 8B 模型的 100 个临床试验场景中，该方法达到 77.0% 的 requirement micro-F1，修正完成后的平均延迟降低 64.8%，模型调用减少 38.1%，并在 MIMIC 评估中成功执行全部 13 个队列状态。
arXiv cs.AIAI 评分4444 The Trinity：面向多模态智能体的能力驱动递归自我提升框架
研究提出面向多模态智能体的递归自我提升框架 The Trinity，通过 Creator、Explorer 和 Evolver 三个角色将世界生成与 Harness 演化耦合。
Latent SpaceAI 评分7171 为什么 AI Agent 偏爱 Supabase
Latent Space 专访 Supabase 联合创始人，深入探讨了 AI Agent 普遍选择 Supabase 作为应用后端的架构原因与产品演进。文章指出无需 Docker 的本地运行时、存放在 Git 中的声明式 Schema，以及紧邻数据库运行容器的 Supabase Compute，极大降低了 Agent 自主搭建与调试环境的摩擦。
The Decoder精选AI 评分8080 Google DeepMind 发布 Gemini 4 Carbon 模型
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，并在 Artificial Analysis 智力指数 v5.0 中以 59 分位居榜首。
推荐理由：原文详细对比了新模型在长程工程推理与网络安全任务上的评测数据，读者可以参考其在不同基准测试中的成本与性能权衡。
TechCrunch · AIAI 评分6464 Anthropic 推出企业报告工具以展示 AI 支出回报
Anthropic 推出一套全新企业报告工具与共享预算功能，帮助管理者按时间范围查看团队产出、token 支出成本及工作流断点，并提供优化建议。该分析数据默认不用于模型训练；Anthropic 同期向投资者披露其第二季度已实现营业利润，净营收留存率达 900%。
AWS Machine Learning BlogAI 评分3838 利用 Amazon Nova Act 智能体 QA 自动化加速软件交付（三）
基于 Amazon Nova Act 的 QA 自动化方案 QA Studio 推出 Applications 与团队权限管理两项功能，以支持跨组织规模化测试。
AWS Machine Learning BlogAI 评分5050 基于 Amazon Bedrock AgentCore 构建企业级智能体平台架构
AWS 架构师团队推出了基于 Amazon Bedrock AgentCore 构建企业级智能体平台的参考架构与配套开源蓝图。该方案采用联邦运营模型，通过独立的平台控制面和按业务流隔离的工作单元单元格，统一部署推理网关、基于 MCP 的工具网关、短期凭证身份与细粒度配额。CI/CD 流水线设置了双向对抗评测门禁，确保每次 Agent 上线前严格验证合规调用与异常阻断。
TechCrunch · AIAI 评分6969 Google 推出 Connected Apps Platform，向开发者开放 Gemini 和 Search 应用接入
Google 推出 Connected Apps Platform 开发者预览版，允许第三方企业和开发者将其应用接入 Google Search 和 Gemini 的 AI 功能中。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 4 Carbon 前沿模型
Google DeepMind 发布前沿大语言模型 Gemini 4 Carbon，重点提升网络安全防御与长周期复杂工程任务的处理能力。该模型在漏洞挖掘、利用验证与补丁修复多项基准上取得领先，且在 Gray Swan 间接提示词注入测试中实现 0.0% 的攻击成功率。
推荐理由：该模型在网络安全防御全流程与长程工程任务中刷新基准，展示了高对齐度模型在复杂自主工作流中的落地表现。
The DecoderAI 评分6262 OpenAI 柏林开发者日透露 Dots 欧洲进展，核心转向构建平台生态
OpenAI 在柏林开发者日透露其 AI 助手 Dots 预计数周内向欧洲更广泛开放，并展示了通过托管基建打造类似应用商店以绑定开发者的平台生态。数据显示德国 Codex 周活跃用户自 1 月以来增长 20 倍，近两成桌面用户将其用于文档与表格等日常办公；管理层还解释因资源消耗与需求优先级的考量已关停 Sora 且未优先推进视频序列模型。
The Decoder精选AI 评分7878 Google 为 Android Studio 引入第三方 AI 智能体并推出新 Gemini API
Google 在 Android Dev Summit 上宣布 Android Studio 支持“自带智能体”（BYOA）模式，开发者可直接在 IDE 中运行 Claude、Codex 等 40 多种编码智能体。
推荐理由：Google 将 Android 开发体系全面对接第三方智能体与 MCP 标准，为开发者提供了把多厂商模型接入 IDE 工具链与移动端应用的标准化路径。