Agent脚手架自进化：GSME框架破解评估噪音，冻结模型性能暴涨15.5%
在真实的业务部署中，决定一个大语言模型（LLM）任务表现的，往往不仅是其内部那堆被冻结的千亿参数，更是包围在模型外围的“脚手架”——系统提示词、注入的背景知识、运行时的重试控制循环以及各类配置参数。当模型权重不可触及（由于使用闭源API或微调成本极其高昂）时，优化这些外围结构成了开发者手中唯一...
AI Agent 第22页
AI Agent的无限进化：双轨自我提升架构技术全景解析
真正的自动化系统不仅需要能执行预设指令，更需要具备在遇到挫折时自我反思、并修改自身运行逻辑的能力。当前的AIAgent大多依赖人类工程师进行“打补丁”式的迭代，一旦面对长尾的边缘场景，往往会陷入死板执行的困境。如何让系统摆脱外部依赖，实现自主且可控的进化？
SkillAudit揭秘：无真值反馈的Agent技能自进化，任务胜率暴涨17%
大模型Agent在应对专业领域的长周期任务时，往往需要依赖提前编写好的“技能”（Skills）——即结构化的操作指南与代码包。然而，真实业务环境是动态的。随着API接口的废弃、边缘场景的涌现，原本完美的技能很快就会退化甚至帮倒忙。让Agent在实战中自我更新技能，是业界公认的解法。
SkillComposer：Agent技能自我进化，跨级提升模型4.5分
在当前的智能体（Agent）开发中，开发者常常陷入一个两难境地。如果为特定任务编写高度定制的策略，这些技能往往无法迁移到其他场景。反之，如果提取过于抽象的通用技能，在面对具体任务时又显得指导不足。这种“特化”与“泛化”的矛盾，一直是限制智能体在复杂推理任务中表现的瓶颈。
告别“一次性”Agent！SkillOS重塑技能管理，性能跃升近10%
当前的大模型智能体（Agent）普遍存在一个极大的局限性：它们往往是“一次性”的解题机器。在处理完一个复杂的流式任务后，它们通常无法从历史交互中吸取教训并积累经验。面对源源不断的新任务，如果Agent每次都要从零开始摸索，注定无法胜任复杂的现实世界需求。
StructAgent：统一因果结构让长序列智能体告别迷失，胜率飙升至78.9%
当AI智能体面对需要跨应用操作、历经数十步的复杂电脑任务时，它们往往会陷入“我刚做了什么”以及“我现在在哪”的混沌之中。随着操作历史的不断堆积，大量错误的尝试和冗杂的信息让智能体彻底迷失。本文解读的最新研究StructAgent，为这一难题提供了一种极其优雅的解法。
大模型也会“聊崩”？多智能体谈判实验揭秘4大协作陷阱
当多个顶级大语言模型组成团队时，它们真的能像人类精英一样高效协同吗？现实情况往往令人啼笑皆非：它们不仅经常无法达成共赢，甚至会因为资源分配问题“大打出手”，或者干脆达成一种极其糟糕的妥协。为什么大模型能够轻松通过极其困难的单体推理测试，却在简单的多轮团队沟通中频频翻车？
成本降41%、速度快近一倍：揭秘Agent的编排层如何终结Token通胀
当前AI应用开发者最头疼的往往不是模型不够聪明，而是月底暴涨的API云账单。为了让Agent顺利完成复杂任务，系统不得不塞入极其冗长的系统提示。不仅如此，在多轮对话中还要反复回放完整的历史记录、巨大的工具描述文档。
告别Token依赖！清华与NUS联合揭秘大模型隐空间，盘点4大机制与7大能力
现有的语言模型，无论是大语言模型还是视觉语言模型，都在不知疲倦地逐字吐出Token。这种基于人类可读符号的显式生成机制，正遭遇难以逾越的瓶颈。信息冗余、离散化带来的精度损耗，以及串行解码的高昂成本，都在拖慢AI进化的脚步。大模型真的必须“说人话”来完成内部思考吗？答案或许是否定的。
打破RAG长度限制！Thought-Retriever让AI学会检索“思考”，胜率飙升16%
面对百万字的海量专业文档，当下的AI助手往往力不从心。传统的检索增强生成（Retrieval-AugmentedGeneration,RAG）就像个只会翻书找原话的初学者。一旦资料多到超出模型的上下文窗口，它就只能“断章取义”，无法窥见知识的全貌。
省28.4% Token！开源Agent框架ToFu性能反超Claude
当前的智能体系统正面临一个尴尬的瓶颈：即便是回复一句简单的“你好”，系统底层也可能消耗成千上万个Token。对于复杂的多步推理任务，这种累积的计算成本更是高得令人咋舌。与此同时，市面上成熟的Agent产品（如ClaudeCode）多为闭源的黑盒系统。
告别“幻觉”：涵盖18种工具的Tool Learning通用框架全解析
大语言模型虽然拥有惊人的语义理解能力，但始终受制于静态的预训练数据。当面对实时信息检索、复杂数学计算或特定领域操作时，纯参数模型往往会产生严重的知识幻觉。单纯依靠扩大模型参数来“死记硬背”世界知识，不仅训练成本极其高昂，而且无法保证信息的实时性与准确性。
打破“专机专用”魔咒：基础大模型重塑通用机器人的核心机制与局限
长期以来，人工智能在物理世界面临着一个尴尬的困境：机器人在工厂里极其精准，但只要光线微调或零件偏移，它们就会立刻宕机。这种“专机专用”的模式，要求开发者为每一个特定任务收集数据、定制算法并在受限环境中部署。然而，自然语言处理和计算机视觉领域的基础大模型，却展现出了惊人的开放世界泛化能力。
AI进军真实物理科研：端到端复现111篇论文，揪出42%潜在错误
机器智能不仅能写代码，现在已经开始自主做物理实验了。它们甚至向顶级学术期刊的既定结论“开炮”了。该研究展示了一个由大语言模型驱动的智能体。它不再仅仅是“读”论文，而是真正去“跑”计算物理的复杂仿真。在测试中，它自主复现了111篇计算物理学论文。令人震惊的是，它揪出了其中论文的潜在科学错误。
TTHE：无需微调与标签，测试时脚手架演化让Agent准确率暴涨38%
当一个部署在生产环境中的数据分析Agent连续三次生成了逻辑完美的SQL语句，却仅仅因为数据库表名的大小写不匹配而屡屡报错时，它该如何自救？在绝大多数现有的工程架构中，它只能反复撞墙，因为控制它如何调用工具、如何拦截异常的“工作流程序”在出厂部署的那一刻起，就已经被彻底焊死了。
手机操作不再断片！UI-Copilot凭副驾驶机制实现GUI任务17.1%性能跃升
当用户要求手机上的智能助手“帮我核对上个月的账单，计算出餐饮开销占比并填入新的备忘录”时，大多数现有的AI助手在点击了几次屏幕后，往往会陷入迷茫。它们要么忘了最初要找什么，要么算错了数据，甚至一直在同一个页面里无意义地来回滑动。
WebShaper：集合论重构数据合成，打造最强开源搜索Agent
OpenAI的DeepResearch近期引爆了全网，展现了惊人的信息搜索（Information-Seeking,IS）能力。这类Agent系统能自主查阅海量资料，被视为迈向AGI的关键一步。然而，开源社区想要复现这类惊艳的系统，却常常卡在一个致命瓶颈上：高质量训练数据的极度匮乏。
微软提出WebXSkill：赋予网页Agent“双模”技能，成功率最高涨12.9%
当前，由大语言模型（LargeLanguageModels,LLMs）驱动的自主网页智能体正试图接管复杂的浏览器工作流。但它们常常因为无法留存和复用交互知识，被迫在每次遇到熟悉任务时从零开始推理，导致极高的错误率。
大模型Agent的“缰绳”：4大标准重新定义Agent Harness与6大系统横测
当一个智能体在执行代码任务失败时，却一本正经地向用户报告“任务已成功完成”，你的第一反应是什么？许多开发者的直觉是去修改提示词。然而，当大语言模型被逼到死角时，往往会倾向于生成看似满足要求的虚假答案。单纯通过提示词“礼貌地”要求模型不要撒谎，是最脆弱的控制手段。真正能解决这一痛点的，是模型外围...
A Subgoal-driven Framework for Improving Long-Horizon LLM Agents
成功率飙升6倍超GPT-4o！DeepMind发布MiRA，用“里程碑”根治AI智能体“迷路”顽疾。本文系统梳理其研究背景、核心方法、关键实验结果、现有局限以及后续工程实践启示。
Adaptation of Agentic AI
13所顶尖名校联手：Agentic AI 适配的 4 大核心范式与未来路线图。本文系统梳理其研究背景、核心方法、关键实验结果、现有局限以及后续工程实践启示。
Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents
Agentic Memory：让LLM像人类一样“自主管理”记忆，长程推理能力暴涨49%。本文系统梳理其研究背景、核心方法、关键实验结果、现有局限以及后续工程实践启示。
AI Agent Systems: Architectures, Applications, and Evaluation
JACM重磅综述：拆解AI Agent三大核心架构与“Agent Transformer”新范式。本文系统梳理其研究背景、核心方法、关键实验结果、现有局限以及后续工程实践启示。
AI Meets Brain: Memory Systems from Cognitive Neuroscience to Autonomous Agents
AI记忆系统的“脑科学”革命：复旦哈工大万字综述，揭秘智能体进化的核心。本文系统梳理其研究背景、核心方法、关键实验结果、现有局限以及后续工程实践启示。