FACTOR：不是全轨迹广播，而是先定动作信用再分Token
近期来自清华、北大、复旦、浙大等机构的研究团队提出了一种解耦机制 FACTOR （Factorizing Action Credit and Token Responsibility），直击当前多轮 Agent 强化的隐性缺陷。
AI Agent 第9页
微软与CMU企业级Agent实测：不是工具越细越好，一个纯Bash最高涨分24点还省72%Token
近年来不少智能体本文提出，让智能体像人类工程师一样具备“沉淀经验”的能力：将常见子任务写成工具脚本存进持久化目录，后续任务直接复用，从而形成技能库闭环。然而，严谨的双盲统计表明， 在 Bash 基础上增加持久化工具合成，在汇总指标上完全没有带来任何统计显著的质量收益 。
Mendel Gödel Machine：用比较进化自我重构，智能体准确率达93.3%
针对这一瓶颈，来自慕尼黑大学（LMU Munich）、慕尼黑机器学习中心（MCML）与电子科技大学的研究团队提出了 Mendel Gödel Machine（MGM） 。
VideoXAgent：告别离线预处理，纯在线长视频Agent将上下文降至15%
针对这一两难困境，百度团队在一项最新研究中提出了名为 VideoXAgent 的纯在线长视频智能体框架（Purely Online Video Agent Harness）。
ParaRecover：大模型并发调工具越快，越容易在错题中“盲目乱窜”？
ParaRecover：为了对模型在执行过程中的表现进行多维切片，研究团队提出了 SDE 评估细则（SDE Rubric） ，将评测视角由单一维度的二元对错，拆解为三个互为补充的核心支柱： - 结构完整性（Structural Integrity, SI） ：评估模型是否能准确维持合法的 DA...
SIEVE：不再整页抓取！结构化布尔检索让深度研究Agent减少最高50% Token
为了打破这种粗暴的信息摄入模式，研究团队提出了名为 SIEVE 的全新交互范式。该框架放弃了传统的 Search–Visit 模式，转向“搜索-检视-获取”（Search–Inspect–Fetch）三段式架构，并深度整合了基于字段的布尔查询语言（Boolean Query Language,...
SkillSentry：把执行经验编入DSL，大模型Agent技能成功率提升24.1%
针对这一痛点，来自计算机科学与人工智能领域的研究团队提出了 SkillSentry ，一个面向 Agent 技能执行的运行时保障（Runtime Assurance）框架。该方案的核心转变在于： 它不再将技能执行寄托于静态 Prompt 的反复微调或离线的自我反思，而是为技能执行引入了动态的运...
TARL：告别粗暴二元写入，面向长程Agent的可执行三账本记忆架构
来自厦门大学等机构的研究团队提出了 TARL（Transaction-Aware Reliable Ledgers） ，从状态机与数据库事务的视角重新审视智能体记忆管理。
不是 JSON 而是 Python：大模型工具调用范式转变，新模型最高提升10.6%
这项研究之所以冠以“苦涩的教训”（The Bitter Lesson），正是因为它指出了工具调用工程中的一个执念：业界花费了大量精力去设计专门的 Function Calling API、结构化约束解码和 JSON 解析容错方案，试图以此驯化大模型；然而最普适、最高效的界面。
ToolArtist：统一多模态模型自主搜图与绘制，拿下开放基准非商业第一
由香港科技大学、新加坡国立大学、中国人民大学及都柏林大学学院等机构组成的研究团队，提出了名为 ToolArtist 的全新框架。与以往“外挂式拼接”的生成智能体完全不同，ToolArtist 基于原生统一多模态模型（Unified Multimodal Model, UMM）进行后训练。
TrajDebug：追踪生命周期，清华腾讯将长程Agent根因定位提升8.4分
来自清华大学和腾讯的研究团队近期提出了全新的框架 TrajDebug 。该工作指出，现阶段长程智能体调试之所以失效，根源在于长轨迹中充斥着复杂的“错误动力学”——智能体在执行过程中会产生大量局部小失误，其中超过六成会被它自己随后修正，只有极少数真正引发了致命连锁反应。
Trident：不是防御不够强，而是7B模型把DRL安全防线击溃522%
令人震撼的实验结果表明：仅依靠一个经过训练的 7B 参数轻量模型（Qwen2.5-7B-Instruct），Trident 就让当前最顶尖的 DRL 蓝队防御性能平均断崖式暴跌 522%，并自主涌现出诸如规避蜜罐诱饵、自适应关键节点优先渗透等高阶攻击行为。
TurnSight：百度提出轮次级后见自蒸馏，多轮工具调用提升7.7%
为了打破这种“吃大锅饭”式的轨迹级信用分配（Credit Assignment），百度与中国人民大学的研究团队提出了 TurnSight 。这是一种面向多轮工具推理的 轮次级后见自蒸馏框架（Turn-Level Hindsight Self-Distillation） 。
Unified Agent：跨设备AI不再追问“哪台设备”，性能最高提升40.8%
” 来自加利福尼亚大学圣迭戈分校（UC San Diego）的研究团队针对这一盲区，提出了全新的跨设备多模态智能体框架 Unified Agent 。这项研究的核心洞见在于：跨设备、跨时间的交互决策，既不需要暴力拼接所有设备的历史画面导致上下文爆炸，也不能依赖毫无状态记忆的即时工具调用。
VC-Tooler：让视觉Agent学会组合与自适应工具，V*达95.8%
VC-Tooler：该项研究明确提出：视觉工具调用不应被视为对死记硬背参数的拟合，而是一种包含视觉接地（Grounding）、多步组合（Composition）与自适应反思（Adaptation）的通用能力。
字节跳动ACTS-SQL：打破单向修Bug困局，树状回溯让SQL纠错提升9.42%
针对这一系统性痛点，字节跳动与中国人民大学联合提出了 ACTS-SQL （Agentic and Critic-Oriented Tree-Structured SQL Correctness）。该工作完全不需要额外微调，而是将 SQL 的除错与纠正重构为一套“由规划引导、支持显式分支与回溯”...
清华等提出AgentRewind：长程智能体双重状态回退，成功率提升25.6%
为了打破这种“一步走错、全盘皆输”的单向死局，来自中科院自动化所、清华大学交叉信息研究院以及中关村学院的研究团队提出了 AgentRewind 。这是一个面向长程智能体的运行时恢复框架。
以毒攻毒真能清除智能体后门？115组实验揭开模型净化动态
面对这种防御盲区，安全研究领域提出了一种大胆的防御构想：防御性投毒（Defensive Poisoning）。防御者人为向模型中植入一个已知触发器和良性动作的新后门，然后再通过微调或遗忘算法将其抹除，期望在这个“以毒攻毒”的扰动过程中，原有的未知恶意后门能作为“附带损伤”被顺带清除。
CDH：任务明明顺利完成，大模型Agent执行时间为何激增92%？
这项研究提出了名为 Convergent Detour Hijacking （收敛绕路劫持，简称 CDH ）的新型攻击范式。攻击者不需要入侵底层系统，无需注入恶意可执行脚本，更不用在运行时与智能体动态交互，仅仅依靠发布一个纯文本的静态技能，就能悄然介入智能体的决策。
知识注入仅占4.5%！斯坦福等解构Agent技能：程序锚定与检索陷阱
为此，该研究设计了三组对照条件： 1. 原始基线（Raw） ：智能体在没有任何先验经验的环境中独立解题。2. 工作流记忆（Workflow Memory） ：将过去执行中经过清洗的操作轨迹原样注入上下文，提供真实发生过的执行流程。
EnvCraft：从单步工具调用到系统级工作区，让Claw类Agent基准提升11.9%
为了在无人值守的前提下批量生产高拟真环境，EnvCraft 构建了端到端的自动化管线，主要由环境合成引擎与数据生成引擎协同运作。在 环境合成阶段 ，研究团队首先从开源社区与实际应用中梳理出 41 个通用工具场景与 42 个 Claw 专有场景。
Code2Skill：从2万开源仓库提炼百万执行级技能，Agent表现提升11.7%
论文在最后一节提出了一个极具前瞻性的问题：随着未来 AI 生成代码的占比呈指数级增长，Code2Skill 的模式能否持续运作，还是会陷入“模型近亲繁殖导致质量劣化”的困境？
Handoff-H1：三层视觉Agent破局蓝图算量，81.6%高分超越专业预算员
Handoff-H1：实验结果呈现出了极其鲜明的断层阶梯。七款采用主流前沿商业闭源模型与开源权重模型搭建的标准 Agent 框架，其综合得分集中在 35% 至 61% 的平庸区间内。这些通用模型在面对跨页面的尺寸链汇总与深层次构造隐喻时，表现出系统性的疲软，普遍在覆盖率不足的同时伴随着大量的数...
LongRCA Bench：长轨迹Agent故障谁背锅？免训练RCTA定位达24.1%
由阿里巴巴、清华大学、中国科学院等机构联合发布的研究给出了新的解法：研究团队构建了包含 1,140 条真实长程失败轨迹的基准数据集 LongRCA Bench ，并提出了名为 RCTA （Root-Cause Trajectory Attribution）的免训练诊断方法。