新闻、仓库与研究，按时间排列。
一项 arXiv 研究（arXiv:2610.08138）提出免训练的测试时智能体自适应方法，通过 Test-Time Memory Evolution 检索并复用以往案件经验，并用 Rubric-Aligned Collaboration 按行为与程序要求校验和修正角色行动。在 J1-EVAL 与 LegalWorld 上对五个 backbone 模型的实验显示，该方法在合理交互与计算成本下持续优于代表性推理和 Agent 基线，提升了长程法律推理的可靠性与效率。
研究提出 SafeActBench 基准，包含 6 个操作领域、5 种协议共 656 个案例，分析工具使用型智能体从证据到行动链条的失效点。在十种模型-框架配置中，静态动作评估表现强不代表交互执行同样可靠；智能体常在执行前就停止不完整的调查或未等证据确立便行动。单动作执行在证据到位后通常可靠，而多动作工作流还会暴露未解决的前置条件与执行不完整问题。
一项 arXiv 研究比较了 Llama-3.1-8B-Instruct 和 Qwen2.5-7B-Instruct 的 8-bit 与 4-bit 量化版本在二十个确定性工具使用任务、五个提示词上的故障恢复表现。8-bit 与 4-bit 的恢复差异随提示词和评测目标改变方向：Llama 在同提示词下双版本无故障通过的任务上差异为 0 到 +20.2 个百分点，Qwen 为 -50.0 到 +35.0 个百分点。研究指出单一提示词、单一任务集和单一评分策略无法得出关于量化智能体稳健性的稳定结论。
arXiv 论文 2610.07782 实测三层 Agent 架构中的 KV cache 分解与持久记忆层：分解使单次查询峰值 KV 工作集降至 14.3 MiB，低于单遍（35.5 MiB）和检索增强（35.3 MiB）基线。持久记忆层在八组受控数据对、每组 n=100 的实验中增加 +0.368 MiB 峰值缓存，却无可检测的准确率变化（+0.015，95% CI [-0.011, +0.046]）；作者认为空结果是结构性的，因单问题基准让各条目自带证据且独立评分，并给出 Agent 记忆消融须满足的条件与检测方法。论文被 NeurIPS 2026 Machine Learning for Systems Workshop 接收为 poster。
Hans Schabert 在 arXiv 发布论文（2610.07817），提出通过 MCP 服务器逐步下发流程步骤、每步返回结构化 step_output，让 Agent 执行过程可预测可审计。在 13 个 SOP-Bench 领域、四个开放权重执行器（Kimi K2.5 到 Ministral 3 8B）共 15475 次试验中，流程遵循率从 76-95% 升至 95-99%，无依据答案从 2.1-4.5% 降至 0.2-0.3%；小型执行器 grounded 准确率提升 6.5pp，而强模型以小幅原始准确率下降换取可审计流程。论文共 14 页、12 张表。
论文提出 Dev-Primitives 抽象，让仓库组件各自挂载常驻 LLM，并在此基础上构建 HERMES 框架，通过依赖感知动态激活和 bug 诊断机制实例化这些组件。在四项软件工程基准上，HERMES 比匹配的基线 harness 平均高 12.4%；即使 Dev-Primitives 用 Qwen3-8B，配合强激活与诊断模型也在四项基准上与全 GPT-5.6 配置差距保持在 4.5% 以内，同时在 Terminal-Bench 4.0 上推理成本降低 26.2%。
推荐理由：论文给出依赖感知激活与 bug 诊断机制的完整框架设计，搭配四项基准的平均提升数字，对做软件工程 Agent 的人有可迁移思路。
Yupeng Su 等人在 arXiv 发布论文 ReFold（arXiv:2610.07863），提出一种免训练的渲染层，在不改动底层交互历史的前提下压缩长程 LLM 智能体每步重发的上下文。方法通过替换已展示内容为占位符、把智能体报告已完成的轮次折叠成一行摘要来消除跨轮冗余，删除均可逆，并采用分块渲染每隔几步才重写缓存前缀。在五个长程基准和两个前沿 LLM 上，ReFold 将 token 消耗最多降低 2.5 倍，每会话 KV-cache 内存减半且不损害任务成功率；在受限上下文预算下避免最多 92% 的强制压缩，并发服务下推理加速最多 1.7 倍、推理成本最多降低 3.4 倍。
推荐理由：论文提出无需训练的上下文压缩层 ReFold，长程智能体的成本与缓存数据都有可复用的量化参考。
该报告从检索相关性与答案质量两个层面、共四项评估考察 Redpine Science——一个通过 MCP 和 API 提供同行评审文献单一入口的工具。在 ScholarQABench SciFact 上，接入 Redpine Science 的智能体答对 94.4% 的断言，无检索时为 87.6%；在专家验证题集上，其答出 80.1% 的必要断言，纯 web search 为 70.2%。检索基准的 Recall@10 为 83.1%，专家盲评的 Precision@5 达 75.2%，PubMed 搜索工具为 39.8%。
Brendan King 在 arXiv 发布论文，提出 Confidence Reasoning Graphs（CRGs），在推理时从单条 Agent 轨迹估计任务完成概率，无需模型内部权限或训练数据。方法将任务完成声明分解为基于轨迹证据的子声明，逐一估计置信度后聚合，在三个 Agent 基准、三个骨干模型和三个 Agent 框架上比 verbalized、采样式和白盒替代基线校准更好、风险决策更强，且置信度估计可审计。
推荐理由：论文提出无需模型内部权限和训练数据的 Agent 置信度估计框架，并用三个基准的对比实验和消融说明改进来源。
一项被 AACL-IJCNLP 2026 Findings 接收的研究提出 TACIT 框架，将外部工具需求分解为 Source、Transformation、World Effect 三个轴，共 8 类能力。研究者用 1,600 条平衡训练查询在 4 个开源权重 LLM 系列上训练线性探针，发现生成前的隐状态可高精度线性解码细粒度能力结构。但同一批模型用自然语言显式分类时可靠性显著下降，研究者将这种“结构化但沉默”现象定义为表征到言语化的鸿沟。
arXiv 论文（arXiv:2610.08048）提出 DAEDALUS，用 explorer 与 solver 两个智能体从自生成练习中自举可复用的智能体记忆，无需既有任务或 oracle 验证器。每次 solver 失败派生出启发式规则，并在反复成功后存入记忆库；在 AppWorld、τ²-bench 和 AutomationBench 上，平均成功率较无记忆基线最高提升 15.9 个百分点，pass^5 最高提升 2.2x，推理成本低于多数使用训练任务的方法。代码与生成及推理轨迹已开源，生成的任务还可作为排序模型性能的基准替代。
推荐理由：论文提出不依赖人工任务和 oracle 验证器的智能体记忆自举方法，并在三个环境给出成功率与成本数据，方法可迁移。
arXiv 论文 2610.08077 提出 prospective learning 与 Self-Retrospection Distillation（SRD），将智能体事后获得的轨迹经验蒸馏为同一策略在交互前的预测目标，且推理时无需显式生成 foresight。在 10 个工具集成推理和长程智能体任务上，SRD 相比 RLVR 和自蒸馏基线最高提升 24.2 pp；在 98% rollout 组全失败的 2B 设定下，RLVR 成功率为 0.0%，叠加 SRD 后在相同 rollout 预算下达到 60.6%。
POLAR 是一个面向小型工具调用智能体的护栏框架，通过两层本体结构评估动作的可逆性，为每个动作打分并在执行前剪除低于阈值的调用。在 $\tau^2$-bench 上对六个智能体模型的评测中，POLAR 使六个模型中的四个在 airline 域平均任务奖励提升 0.11 至 0.18 分，但 18 个模型-域组合中仅 8 个改善，retail 域和更强模型常出现回退。
arXiv 论文 arXiv:2610.06597 提出 HEAR，一个面向 agentic LLM 服务的 Harness-Engine 双向配对协议，让 agent harness 传递工作流意图与执行需求，推理引擎返回运行时状态与能力。
推荐理由：论文给出 HEAR 协议在多个 agent 基准上的加速数据，读者可以据此评估 harness 与推理引擎双向协调的实际收益。
AffordCraft 从单张 RGB 图像和任务指令出发，通过检索而非生成的方式构建可用于机器人仿真学习的铰接资产，在 2,000 张、31 类别的照片中为 1,703 张产出物理有效资产，无需任何框或掩码标注。
VideoTapestry 是一个免训练的多智能体框架，通过粗到细的查询驱动精炼来适配预构建的三层分层视频记忆，各层由专门智能体负责检索与观察。相比直接 GPT-5.5 推理，该方法在 LVBench、LongVideoBench (Long)、Video-MME (Long) 和 EgoSchema 上分别取得 17.2%、14.9%、9.8% 和 7.0% 的绝对准确率提升，达到 SOTA。
作者推出 BazaarBench，一个用于评估 LLM 智能体安全性的模拟 C2C 市场基准，追踪所有权、物品状况与承诺，结合记录核查与基于量规的 LLM 判断识别五个阶段的六类失败。
推荐理由：原文给出五个模型在对抗指令下违约与虚报比例的实测数据，可用于评估 LLM 智能体在交易场景中的安全风险。
BTTF 是一个端到端智能体框架，将海量非结构化仿真数据蒸馏为规范化 SQLite 关系数据库，并通过多智能体编排引擎把自然语言验证查询转换为 schema 感知的 SQL，同时将信号异常与带版本的 RTL 仓库关联。在 150 条查询的 benchmark 上，BTTF 达到 95.33% 的执行准确率，为自主化 EDA 验证提供了可行路径。
一项 arXiv 研究提出将流程图自适应重排为独立任务：输入光栅流程图与目标宽高比，输出结构忠实、无幻觉、可编辑的布局。该方法采用 Parse、Style、Layout 三阶段智能体流水线，每个主智能体搭配结合确定性约束检查与 VLM 视觉反馈的 critic，显式校验连接性，输出可编辑的 mxGraph XML。
论文提出 Artifact-Exclusive Communication Protocol（AECP），要求多智能体代码生成中的 Agent 只通过结构化工件通信，并由执行框架在访问相关代码时提供发现、筛查实现与接口承诺的不一致、并让受影响的 Agent 重新审视修订后的约定。
arXiv 论文（arXiv:2610.06576）研究能否在 LLM Agent 欺骗行为外显之前从内部表征预测它。作者将欺骗监测建模为轨迹级表征分析，在关键决策点前提取隐藏状态，发现诚实与欺骗结果可被可靠区分，信号在最终决策前数次模型调用即可检测到，且随轨迹推进逐渐增强；在推理时对诚实-欺骗表征方向做激活转向可减少下游欺骗行为。
一项 arXiv 研究提出将多步转移的内部演化转化为对文本世界状态的结构化推理，用稀疏状态变化推理、预测增益目标和中间预测奖励缓解长程预测中的误差累积与弱信用分配问题。在 ScienceWorld、Jericho 和 CEO-Bench 上，该方法平均长程性能超过递归与非递归基线，且视野越长优势越大；反事实研究中其模型是唯一对未来动作具有统计显著敏感性的模型。
作者发布 Wikidata Search Traces 数据集，含 10,235 条在冻结 Wikidata 快照上构造的单实体与多跳问题求解轨迹，并附带生成这些轨迹的递归语言模型（RLM）harness。
推荐理由：论文同时给出 10,235 条搜索轨迹数据集和 RLM harness，在 100 题上对比了直接工具调用的提升幅度，方法可复用。
研究者提出 Programmatic Search Agent（PSA），把对候选结果的可执行本地计算作为搜索单元，统一持久候选工作区、原语组合与选择性证据呈现。
MedPrune 是一个面向医疗多模态 VQA 的多智能体协作框架，将诊断过程建模为异构通信图，通过强化学习驱动的异构节点稀疏化剔除无关专科智能体，并经异构边稀疏化仅保留最具诊断价值的科室内外连接。在全集与少样本训练设置下的医疗 VQA 实验中，MedPrune 超越多智能体基线，提升 token 效率并具备较强对抗鲁棒性。
论文提出开源权重的智能体检索器 T-Search，针对困难多步检索任务，在固定语料上执行有界多轮搜索并返回带简短理由的证据块排序列表，答案生成留给下游模型，后端与生成器可替换而无需重训练。
推荐理由：原文给出多轮检索器在七个基准上的 Recall@10 数据，并开源模型与基准，可作多步检索方案的对比参考。
CLIFT 是一种基于保形自验证的 Web Agent 训练与测试时扩展方法，训练时用 Compositional Conformal Certifier 过滤验证问题并生成带符号信任权重，融入每步奖励；测试时通过 Conformal Trajectory Selection（CTS）以多数投票切换 rollout，无需调用外部 judge。
论文提出 MemPilot，一个按性能、成本、延迟偏好按需编排多模态记忆整理的框架。其通过强化学习优化多步 LLM 策略，在从 query-agnostic 记忆检索与委派异构 LLM/VLM 做查询级整理之间迭代选择，并联合控制证据量、整理指令、模型选择和视觉访问；采用目标级优势解耦与前缀边际效用估计做信用分配。
推荐理由：论文用强化学习让策略按性能、成本和延迟偏好动态调度记忆整理，在五个多模态基准上给出比现有基线更宽的权衡前沿。
RV-ICL（Recursive Video In-Context Learning）是一种免训练方法，将演示视频转化为由子事件构成的层级结构，供 LLM 智能体在规划与执行间按需读取，每任务仅需一条演示。基于 RPent，该方法在 LIBERO-PRO 上将成功率从 92.6% 提升至 96.5%，在 LIBERO-Plus 上从 86.7% 提升至 95.8%。
一项 arXiv 研究提出，将 token 消耗当作生产性努力的 token-max 目标会导致智能体过度消耗算力，而以单位成本内经独立验证的任务完成为奖励的 outcome-max 能带来有原则的停止规则。三层模拟框架显示 outcome-max 在基本保持验证任务表现的同时提升 AI 辅助生产效率，配套的 OutcomeShare 激励机制可为员工、企业和 LLM 提供方创造共享收益。
论文提出 Nexus，一个将每次调用视为持久任务的云边执行平台，采用基于 OpenWrt 的运行时和 run-scoped delegation 实现对 Computer 与 Mobile 环境的授权访问。
Agentic-ZTA 是一种基于 Agentic AI 的零信任架构，通过多智能体决策流水线落地 NIST SP 800-207 的 ZTA 控制回路：策略知识嵌入 RAG 管道在推理时检索 top-k 相关策略，PEP 拦截访问请求并补充上下文，由策略引擎智能体调用领域专用核心智能体推理信任度，再经信任算法聚合产出持续验证下的访问决策。
Keegan Wang 在 arXiv 发布论文（arXiv:2610.05793），微调 Qwen2.5-7B-Instruct 使其根据提示中推断的部署拓扑在代码中插入漏洞。
推荐理由：论文用 checker、独立 bandit 分析和盲审对照量化了拓扑触发后门，并给出差分审计这一可迁移的检测思路。
一项 arXiv 研究用语言模型构建代理式租赁市场，模拟个人 AI 助手与六个自适应卖家的交互。结果显示：执行型助手在卖家冻结时为采用者每天节省 13.7 美元，卖家适应后回吐约三分之一、剩 8.7 美元；无助手消费者的平均支出变化仅 +0.4（置信区间 -0.6 至 +1.3），与校准预测的 +3.6 不符。研究认为助手应在市场层面评估。
arXiv 论文发现，长时运行 Agent 在滚动更新文档窗口时，非前缀 KV-cache 复用具有历史敏感性：相同提示词可能因此前处理的请求顺序不同而产生不同答案。
论文提出 Curriculum Brain，一个由版本控制知识库与 11 个单一职责 agent 组成的两仓库系统，用于从官方课程文档生成概念-技能映射，构建课程知识图谱作为认知诊断的底座。
论文提出 Infinite-Dreamer，一种免仿真的数据合成方法，通过像素级图像编辑世界模型将 GUI 状态转移建模为图像编辑任务，利用 VLM 将动作引起的 UI 变化描述为结构化 delta-text，再微调图像编辑骨干网络合成逼真的截图过渡，生成单帧视觉鲁棒性数据与多步想象轨迹。
推荐理由：论文用图像编辑世界模型合成 GUI 训练数据，仅凭合成数据微调 Qwen3-VL 即在 AndroidWorld 等基准上超过基线。
论文提出 Harness-Search，一个多智能体搜索 harness，将提出检索动作、更新持久状态和决定停止三个职责拆分给 Retrieval Policy、Memory Operator 和 Summary Auditor，构成 Propose-Commit-Audit 循环，以减少单智能体在长程搜索中丢失未解决问题或过早终止的问题。
论文提出 TeleTune 框架，从无目标标注、不可重放且任务交错的离线用户遥测日志中学习文本技能库，用日志轨迹上的动作预测误差提出库编辑，仅保留能提升留出集动作预测准确率的修改。
推荐理由：论文给出从离线遥测日志学习 Agent 技能库的完整框架，并报告在 WorkArena 和 Online-Mind2Web 上对多个基线的量化对比。
Shiva Pochampally 在 arXiv 发布 DelegationBench，包含 156 个场景、四种响应（行动、请求许可、询问缺失信息、拒绝），多数场景以改变单一特征的配对形式出现。
推荐理由：原文用配对场景拆解了单一一致性分数的三种误导，并给出应分开报告的评测建议，方法可迁移到 Agent 决策评测。