告别“单机时代”：首篇AI Agent通信协议双维分类指南
当无数大语言模型驱动的Agent在企业客服、代码生成和数据分析领域遍地开花时，一个致命的系统性瓶颈已悄然浮现。这些Agent虽然具备强大的推理与执行能力，但它们大多是彻头彻尾的“语言孤岛”。不同厂商、不同架构的Agent各自为战，无法顺畅调用外部数据，更难以实现多智能体间的无缝协作。
RAG 第2页
突破纯文本瓶颈！增强语言模型（ALMs）如何用推理与工具重塑AI边界
尽管以大语言模型为核心的技术已深入数百万人的日常，它们依然面临着不可忽视的工程痛点。纯统计的语言建模范式带来了令人头疼的幻觉，模型在复杂数学计算和实时信息获取上也总是捉襟见肘。为了打破纯文本生成的局限，学术界正在推动一场大规模的范式转移。
大模型长记忆返璞归真：Nano-Memory极简检索法降低近半Token消耗
随着智能体与用户的交互日益频繁，让大语言模型记住几个月甚至一年前的冗长对话，已成为各大研究团队竞相攻克的难题。为了实现这种长期记忆，现有的主流方案往往走向了无休止的“堆料”之路。从极其复杂的层次化摘要，到繁琐的强化学习图谱构建，亦或是引入专门的记忆层与模型权重更新，记忆系统变得越来越臃肿。
问卷调查走向死局？AI新架构A-TLM零偏差击败三大传统算法
现如今，发一份在线问卷，你收回的可能是大量机器刷单、AI辅助作弊以及随意乱填的“无效数据”。这种数据质量危机正在悄无声息地摧毁社会科学的基石。在争分夺秒的灾害响应研究中，情况更为致命。受灾最严重的人往往处于断网、流离失所或极度焦虑的状态，他们根本没时间填满冗长的问卷。这导致收集到的数据出现成片...
纵览124篇文献：LLM智能体动态技能库的八阶段生命周期揭秘
当大语言模型从简单的对话助手，逐步深入并接管实际的工作流时，一个严峻的核心瓶颈浮出水面。这种瓶颈并非模型单次推理能力的不足，而是智能体（Agent）能否在重复性任务中复用过程知识。如果每次遇到相似任务，智能体都要在有限的上下文窗口中从头推导策略，这显然低效且不可靠。
放弃提示词！Harness架构打造120/120满分企业级Agent
许多企业级大模型应用在原型阶段表现惊艳，往往只需一段系统提示词加上基础的检索增强生成（Retrieval-AugmentedGeneration,RAG）就能在演示环境跑通业务逻辑。然而一到真实商业环境落地，合规溯源、权限路由和输出审计等严苛要求，会让单纯依赖提示词的系统瞬间崩溃。
全景解构LLM Agent：从单体构建到多智能体进化的底层逻辑
从被动回答问题的聊天机器人，到能够自主完成深度研究的数字员工，AI正在经历一场重大的范式转换。近期爆火的复杂商业系统无不昭示着，大语言模型智能体（LargeLanguageModelAgent,LLMAgent）时代的全面到来。
LightMem：小模型重构Agent记忆，检索仅83ms，F1提升2.5
Agent在处理长线任务时，往往深深受困于记忆系统的技术瓶颈。目前主流的记忆架构，普遍面临着一个极为尴尬的“两难困境”。传统基于向量检索的系统响应极快，但极其容易召回大量无关的错误噪声。如果直接让超大参数模型接管记忆操作，检索的准确率虽然有所提升。但随之而来的是难以忍受的累积延迟，以及极其高昂...
突破智能体孤岛：MATM共享Agent轨迹记忆，任务成功率提升17%
当前的大语言模型智能体在执行各类复杂任务时，会产生大量高价值的中间轨迹。然而，这些包含丰富过程知识的交互数据，通常在单次使用后就被直接丢弃。或者仅被生产该轨迹的单一智能体私有保留。这种“阅后即焚”的孤岛模式，导致新实例化的智能体被迫反复重新探索已存在的解决方案。
解构1947篇顶会论文：IdeaSpark提炼15大创新模式，重塑AI科研
当前的大语言模型在科研头脑风暴中似乎无所不能，生成候选研究方向往往只需几秒钟。然而，真实的科学研究需要的远不止天马行空的灵感。研究者必须在浩如烟海的文献中精确锚定问题，识别出具有实际意义的技术瓶颈，与现有的解决方案划清界限，并在投入大量算力资源去复现前，严谨地评估潜在风险。
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。
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。
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。
Citation-Grounded Code Comprehension: Preventing LLM Hallucination Through Hybrid Retrieval and Graph-Augmented Context
告别代码幻觉：混合检索+图增强，实现92%引用准确率与零错误。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。
CRoPE: Efficient Parametrization of Rotary Positional Embedding
RoPE“瘦身”术：砍掉Attention层50%参数，性能却几乎无损。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。
Decide Then Retrieve: A Training-Free Framework with Uncertainty-Guided Triggering and Dual-Path Retrieval
告别“无脑”检索：无需训练，DTR框架利用不确定性让RAG性能全面提升。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。
HiFi-RAG: Hierarchical Content Filtering and Two-Pass Generation for Open-Domain RAG
NeurIPS 2025冠军：Google HiFi-RAG如何用分层过滤让RAG性能暴涨19%。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。
Memory in the Age of AI Agents
Agent记忆≠RAG！复旦/NUS重磅综述：3大维度全景拆解智能体“大脑”。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。
Retrieval--Reasoning Processes for Multi-hop Question Answering: A Four-Axis Design Framework and Empirical Trends
RAG系统的“黑盒”困境：谷歌提出多跳QA的四轴设计框架。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。
SkillRouter: Retrieve-and-Rerank Skill Selection for LLM Agents at Scale
颠覆常识！阿里SkillRouter：Agent选对工具，代码比描述重要44%。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。
Tackling the Inherent Difficulty of Noise Filtering in RAG
RAG去噪为何这么难？人大清华揭秘“三元困境”，非线性微调让LLM自带“过滤器”。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。
The Evolution of Reranking Models in Information Retrieval: From Heuristic Methods to Large Language Models
RAG效果提升神器：重排序模型从BERT到LLM的硬核进化史。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。
EmoRAG: Evaluating RAG Robustness to Symbolic Perturbations
EmoRAG：一个表情符号，如何100%“污染”RAG，让大模型更易“中招”？。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。
MCP vs RAG vs NLWeb vs HTML: A Comparison of the Effectiveness and Efficiency of Different Agent Interfaces to the Web (Technical Report)
AI Agent上网指南：RAG效率飙升5倍，成本锐减80%，完胜HTML。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。