EGIP：面向临床智能体的循证交互协议
研究者提出 EGIP，一种面向临床智能体的循证交互协议，通过角色信息边界、隐藏结果的诊断动作、从临床记录检索检查结果等机制，将证据获取与最终预测分离。该协议在 2 个临床智能体框架、5 个数据集和 6 个语言模型上评测，诊断准确率均优于原生基线。医生评审显示，自动评分正确且证据充分的回答比例从 10.20% 提升至 36.55%。
#Agent
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分3737 Hugging Face · 趋势模型精选AI 评分6969 MiniMax 发布 MiniMax-M3.1-Flash：原生多模态 MoE 模型，1M tokens 上下文
MiniMax 发布 MiniMax-M3.1-Flash，一个面向编码、Agent 工作流、computer use 和网络安全的原生多模态 MoE 模型，总参数约 428B、每 token 激活 23B，支持文本、图像、视频输入，上下文窗口最高 1M tokens。相比 M3 的三项主要变化是全程稀疏注意力、量化感知训练，以及用 DSpark 投机解码取代此前的 EAGLE 类 MTP 方案。
推荐理由：官方公布与 DeepSeek、Kimi 等模型在十余个 Agent 与编码基准上的横向对比，并说明评测设置，读者可据此自行评估实际水平。
prompts.chat · 每日 promptAI 评分2626 prompts.chat 新增提示词：OpenAPI Spec Drift Checker
prompts.chat 收录由 @f 贡献的提示词「OpenAPI Spec Drift Checker」，用于比对 OpenAPI 3.x YAML/JSON 规范与代码实际实现的路由，标记缺失操作、多余路由、方法不匹配和路径参数形状差异。该技能附带的 `check_drift.py` 仅依赖 Python 3 标准库并支持 `--self-test`，将漂移分为 missing_in_code、missing_in_spec、method_mismatch、param_shape_diff 四类，按高/中/低严重度输出报告。
arXiv · cs.AI精选AI 评分5858 arXiv 论文提出 SEER-Repro 基准，LLM 智能体复现 77.4% 的医学研究论断
arXiv 论文 arXiv:2610.23845 提出 SEER-Repro 基准，收录 20 篇基于美国 SEER 癌症数据库的已发表论文及其复现所需数据资源。作者构建的 AI 智能体成功复现 2,190 条原子论断中的 77.4%，并通过智能体分析管线识别分析选择、提出替代方案后重跑分析，在 9.5% 的完全复现发现中标记出可能有实质影响的分析选择，交由专家复核。
推荐理由：论文给出了基于 SEER 的复现基准和 77.4% 原子论断复现率等具体数据，可用于评估 LLM 智能体做科学复现的现阶段水平。
arXiv · cs.AIAI 评分4949 DrugHarness：面向计算药物发现的可进化智能体框架
研究团队推出 DrugHarness，一个面向计算药物发现的可进化智能体框架，集成超 80 种科学操作，并可通过条件化技能进化持续改进。在 MolBench 上，无进化状态下其亲和力比较准确率超过 MolClaw-CC 报告结果 10.8 个百分点；技能进化使 Qwen 的亲和力比较准确率从 62.2% 升至 81.1%。在 HPK1 前瞻性研究中，合成化合物的细胞 IC50 达 14.19 nM，较最佳输入参考提升 2.64 倍效力。
arXiv · cs.CLAI 评分5151 DLite：面向智能体 AI 的免历史投机解码框架
arXiv 论文提出 DLite，一种面向智能体工作负载的免历史投机解码框架，直接复用目标模型的上下文隐藏状态做局部预测，无需维护历史 KV cache。针对智能体长上下文中 draft 模型接受长度最高衰减 80% 的问题，DLite 用轻量级 sequential head 恢复块内因果依赖，并配合两阶段训练策略，实验中达到 2-6 的接受长度，最高比 SOTA 方法 DSpark 快 70%。
arXiv · cs.AIAI 评分3030 LLM 多智能体在医疗运营管理多准则决策中的可能与局限
一项 arXiv 研究提出评估框架，检验 LLM 智能体生成的偏好能否作为医疗运营多目标优化的权重。实验显示，显式偏好会随诊所运营条件和角色不同而变化，但智能体间商议可能抹平差异，简单平均则可保留；隐式偏好则高度依赖选项呈现顺序。基于偏好不确定性的鲁棒加权求和优化模型在多数情况下会选出与平均权重不同的排程或配置，表明 LLM 偏好在用作优化权重前需经此类审计。
arXiv · cs.AIAI 评分4343 SIT-Eval：基于情境的对话智能体逐轮交互评测框架
研究者提出 SIT-Eval，一个可调节的对话智能体评测框架：每轮由 LLM-interlocutor 扮演随机抽取的情境，由情境感知的 LLM-judge 依据适用规则评判回复。对 8 个 LLM、1292 轮对话的评测发现，总体分数相近的模型在各条规则遵循度上差异很大，所有模型在澄清歧义和苏格拉底式提问上表现最差。
arXiv · cs.CL精选AI 评分5454 MARS：面向会话级 LLM 助手的记忆感知路由框架
论文提出 MARS，一种记忆感知路由框架，通过 Query and Topic Manager（QTM）估计会话状态，统一指导记忆构建策略和在线模型选择。在 RealMem 上，MARS 以 14.5% 的生成 API 成本保留了全上下文 GPT-4o QA 性能的 98.2%，并在对比系统中取得最强的记忆召回和检索分数；在 MultiChallenge 上整体略逊于最强静态系统，但在机制导向子集上以更低成本接近其表现。
推荐理由：论文给出记忆构建与模型路由的统一框架，并报告了在质量与成本间的具体权衡数据，可作为长程助手系统设计的参考。
arXiv · cs.AIAI 评分4040 SkillBrowser：面向可扩展技能型智能体的选择性技能暴露框架
SkillBrowser 是一个由 Meta-Skill 管理的框架，让 LLM 智能体识别当前能力需求、生成针对性查询并按需选择性加载技能。在 SRA-Bench 六个子集和五个 LLM 上，其总体准确率超过静态检索和 LLM 选择基线，涵盖多步工具使用，并缓解已可解题目的准确率下降。收益仍依赖模型与任务，主要局限是有用技能调用不足和额外延迟。
arXiv · cs.AIAI 评分2929 基于推理标签的人类奖励建模用于偏好强化学习
一篇 arXiv 论文提出推理引导的偏好强化学习（PbRL）框架，从轨迹级反馈中学习人类奖励模型。该框架在偏好标签之外引入解释偏好原因的 reason tags，为学习与人类对齐的奖励提供额外监督，并提升策略可解释性。学习到的人类奖励与环境奖励结合用于策略优化，使智能体在提升任务表现的同时产生更可解释、更符合人类偏好的行为。
arXiv · cs.CLAI 评分3333 EduWild：教师配置的教育聊天机器人在真实使用中为何失败及如何修复
研究者发布 EduWild 数据集，包含 217 个教师配置聊天机器人的 1,726 段对话，并建立 29 类失败分类法。分析显示最常见问题是未遵循教师意图：53.8% 的终端用户对话跳过必需流程步骤，37.1% 出现信息过载。基于此设计的提示词修复方案在 200 名大学生的实验中，将目标失败数从 1.406 降至 0.489，相对减少 65.2%。
arXiv · cs.AIAI 评分3838 LocalIntent：用本地 LLM 实现后端兼容的智能楼宇自动化结果导向结构化生成
LocalIntent 是一种面向本地部署 LLM 的结果导向提示方法，将请求分流到普通命令分支或持久规则分支，并进行确定性校验。在 2B-9B 参数的 Gemma 和 Qwen 模型上测试，规则生成方面意图理解从 26.4% 提升至 80.6%，规则模式正确率从 49.1% 提升至 98.6%；非持久请求的提升较小，意图理解从 39.6% 升至 53.2%。该方法整体优于 Monolithic 和通用两阶段提示，但澄清/模式正确率仍依赖具体模型。
arXiv · cs.CLAI 评分5151 MuninAI：面向独立研究组的自托管科研Agent框架
Munin是一个开源自托管科研助手框架，可索引研究组文献库和引用图谱，并把任意开放权重模型包装成带阅读、检索和计算工具的智能体。在199组配对文献问题上，框架将基座模型准确率从0.387提升到0.874，而朴素检索式回答在所有测试骨干模型上均低于无辅助模型；移除来源论文后系统在约九成问题上放弃作答，300条伪造引用中未产生虚构的本地引用；断网状态下两个Qwen骨干模型仍超过已发表的PaperQA2准确率，其中gpt-oss-20b可在单张消费级GPU上运行。
arXiv · cs.AIAI 评分3030 QD-Rec：通过质量-多样性实现开放式推荐演化
QD-Rec 是一种质量-多样性（quality-diversity）推荐方法，将开放式搜索范式引入决策场景：用 contextual bandit 选择物品，由基础模型基于档案中的已有假设生成新的自然语言理由，新的推荐只有在足够新颖或优于最近邻时才进入档案。在并购、客户定向以及论文和图书推荐等任务上，QD-Rec 在多数设置中取得最高平均质量并构建出最大的档案。
Hugging Face Blog精选AI 评分7575 
Reflection 发布开源 MoE 模型 Beam 501B，Hugging Face 提供推理与训练全流程支持
Reflection 新实验室的首个模型 Beam 在 Hugging Face 开源，为 501B 参数 MoE（每 token 激活 23B），支持 1M token 上下文，采用 Apache 2.0 许可，主打编码与智能体场景。提供 BF16、FP8、NVFP4 三种检查点，transformers、vLLM、SGLang 均已 day-0 支持，并附 LoRA SFT 与 Miles GRPO 训练配方；Hub 上分享用 Beam 构建的项目可竞争 10,000 美元额度。
推荐理由：官方博客给出架构细节、三档精度的实测跑分和从推理到 SFT、RL 的完整部署与训练配方，便于评估上手成本。
Ollama Blog精选AI 评分6464 
Reflection 开放权重模型 Beam 上线 Ollama Cloud，限时免费
Reflection 首个开放权重模型 Beam 于10月16日发布，Ollama 作为 day-zero 合作伙伴限时免费提供，Beam 端点全程零数据保留（ZDR）。Beam 是 MoE 模型，总参数约501B、每 token 激活23B，上下文窗口100万 token，采用 Apache 2.0 许可，面向软件工程、推理和长程 Agent 任务，可通过 ollama run beam:cloud 或 Claude Code、Codex、OpenCode 调用。
推荐理由：官方公告同时给出与 Kimi K3、GLM 5.3 等模型的 Agent Coding 跑分对照表，读者可直接比较 Beam 在各编码基准上的位置。
arXiv · cs.CLAI 评分4848 SchemaShield-Lite：应对接口漂移的 LLM 智能体函数调用鲁棒性方法
一项新研究提出免训练的修复层 SchemaShield-Lite，结合 schema 验证、候选集重试和一次性约束修复，提升 LLM 智能体在接口漂移下的函数调用鲁棒性。在 Qwen3.5-9B 上，该方法将 DICE-300 准确率从 0.717 提升至 0.813，BFCL-200 从 0.580 提升至 0.805，分别恢复 19/22 和 33/45 个漂移导致的失败，且未观察到修复副作用。消融实验显示候选集漂移（尤其是干扰工具）是主要损害来源。
arXiv · cs.AIAI 评分3131 AgentOnto：面向企业数据分析的本体引导 LLM 智能体
研究者提出 AgentOnto，一个本体引导的 LLM 智能体，将数据库、业务文档与既有示例任务中的异构企业知识组织成本体，用于直接引导分析并吸收已确认的反馈，还能通过自生成分析任务迭代优化本体。在两个公开数据源上，AgentOnto 显著优于代表性方法，模块级评估验证了本体构建、分析与更新各环节的有效性，实际企业部署也展示了其实用价值。
arXiv · cs.AIAI 评分3939 面向不完美提示词的设计：基于知识图谱的 LLM 企业数据助手仿真评估
一项设计科学研究在企业 CFO 单位数据湖的真实部署中发现，业务用户的提示词常缺少 schema 引用和结构信息。研究设计并对比了两种语义中介方案：基于语义相似度的 schema 中介，以及利用从数据湖自动构建的知识图谱的中介。仿真评估结合 LLM-as-a-Judge 与人工验证显示，知识图谱方案在 Precision、Recall、F1 和保留用户意图上均优于 schema 方案。
arXiv · cs.AIAI 评分4242 Optimist Deep Research：面向自主文献研究的迭代式、以状态为中心的开源智能体
开源智能体 Optimist Deep Research 将文献研究作为对显式可变研究状态的迭代证据获取过程：研究问题被拆解为子问题树，检索覆盖 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 和网络，经四层去重和引文滚雪球扩展至饱和。文档并行读入结构化证据库，批评者沿八个维度返回研究行动而非二元判定，最终报告逐节生成且每条引用都可溯源。案例研究约三分半钟读完 237 篇检索文档中的 28 篇。
arXiv · cs.CLAI 评分3737 Annotrace：一个面向 Agent Trace 逐步骤标注的工作台
Annotrace 是一个用于对 LLM Agent trace 进行步骤级标注的工作台，可读取 OpenTelemetry GenAI、LangSmith、Langfuse 等六种 trace 格式，把每次运行转成有序嵌套的步骤列表，并让前沿模型与人类按同一套 codebook 联合标注。在多智能体问答语料上，它精确复现了此前人工标注的 235 个标注单元；两个模型标注同一批 trace 时一致率达 91%（κ = 0.82）。
arXiv · cs.AIAI 评分1818 面向光网络故障排查的 Agentic AI 如何防止数据幻觉
一项演示系统将数据引用机制集成到 Agent 架构中，用于光通信网络的自动化故障排查，以防止数据幻觉，提升根因识别与推理的可解释性和可信度。该工作在第 52 届欧洲光通信会议（ECOC 2026）上作为 demo 展示。
arXiv · cs.CLAI 评分4747 思考更多还是阅读更多？共享上下文下推理的 token 预算理论
一项 arXiv 研究提出 token-budget 理论，形式化建模多智能体辩论与自我细化中“读与推理共享固定 token 窗口”的权衡，并由单智能体测量预测最优智能体数量。跨 5 个开源模型和 4 个推理任务，self-consistency 在 980 组匹配的窗口与组规模设置中 93% 的情况下持平或超过已部署的辩论方法，窗口越紧张差距越大。结论是共享窗口下模型剩余的思考空间比其阅读内容更重要。
arXiv · cs.CLAI 评分3636 MultiAgent-OPD：基于 On-Policy Distillation 的分层多智能体系统端到端训练方法
arXiv 论文提出 MultiAgent-OPD，将 on-policy distillation 与强化学习结合，端到端联合训练共享参数的 Leader-Searcher-Answerer 多智能体团队。冻结的 Teacher 模型对 Searcher 生成的搜索和摘要 token 打分提供过程监督，Leader 从团队成败学习，Answerer 从候选答案正确性学习。在七个数据集上系统达到 38.68% macro avg@4，超过 Prompted Critic 4.06 个百分点、超过 C-MAS + RL 2.61 个百分点。
arXiv · cs.CLAI 评分1818 MAS-Bai：面向白文白语的自适应多智能体翻译框架
研究者提出 MAS-Bai，一个面向白文（Bowen script）白语-中文翻译的语言学驱动自适应多智能体框架，针对汉字被语音借用导致的直译幻觉问题，按输入路由至轻量检索翻译路径或含词源与句法智能体的深度语文学路径，并以轻量反向翻译器的 cycle-consistency 作为推理时可靠性信号。团队构建了 6,536 句白语-中文语料，在 1,536 句测试集上 MAS-Bai 达到 16.23 BLEU 和 62.15 COMET，较 Standard RAG 提升 8.11 BLEU 和 6.85 COMET，在语音借词和语序差异场景增益最大。
arXiv · cs.AIAI 评分2525 用调查报告的党派接触数据验证 LLM 生成的政治网络
一项 arXiv 研究基于 ANES 2020–2022 社交媒体研究的人物设定，用 LLM 生成政治网络，并以受访者调查报告的党派接触度作为经验基准进行验证。结果显示，部分模型生成的民主党和共和党自我节点之间的分离比调查数据更强，另一些模型则低估了共和党接触度；结构属性相似的网络仍可能在同一人物周围生成不同的党派环境，且存在群体-specific误差。这表明仅靠聚合指标评估 LLM 社会模拟会掩盖局部环境错误，需在聚合与个体两个层面进行验证。
arXiv · cs.AI精选AI 评分5353 OfficeTown 论文提出生成式组织模拟框架并以组织数据提升 Qwen3.5-9B
arXiv 论文 2610.23194 提出 OfficeTown，一个从自然语言组织描述生成职业组织模拟的框架，成员协调分工、委派任务给助手智能体并评审产出，产物与未决事项持续存在影响后续工作。配套 OfficeTown Bench 含 23 个模拟组织、8 个专业领域的 406 个任务和 4,836 条评测标准；对 Qwen3.5-9B 做监督微调和 on-policy 蒸馏后在外部职业工作基准（含 GDPval）上明显提升，principal-assistant 框架得分高于所测单智能体与多智能体基线。
推荐理由：论文把组织模拟当作智能体训练数据源，任务与评审反馈可持续生成，还验证了主从协作框架优于单智能体基线。
arXiv · cs.CLAI 评分4444 TreeOPSD：面向长程智能体强化学习的树感知后验知识蒸馏框架
研究者提出 TreeOPSD，一个无需 critic 的树感知后验自蒸馏框架，用于长程智能体强化学习。该方法将每轮交互视为树节点，从共享前缀分支备选续写，并将终止奖励递归回传为隐式轮级信用，映射为有界的闭式教师分布。在 Deep Research 设定下，TreeOPSD 使 Qwen3-30B-A3B-Thinking-2507 的平均准确率较 GRPO 提升 4.97 分。
arXiv · cs.AIAI 评分1818 QuAD：基于内容感知多智能体系统的分布对齐定性数据质量量化评估框架
研究者提出 QuAD 框架，用于对半结构化定性响应数据集做量化预分析评估：将重建的内在聚类分布与研究者定义的外部分析透镜对比，以四象限指标联合判断数据是否适配特定分析目标。该框架引入带两阶段指令生成和自适应锚点的内容感知多智能体系统以提升打分一致性，并通过合成数据实验和真实社会调查案例验证。
arXiv · cs.AI精选AI 评分5252 WebCoder：基于工件锚定智能体强化学习的通用前端开发 Agent
论文提出 WebCoder，一个用工件锚定智能体强化学习训练的通用前端开发 Agent，并构建可执行环境 Webdev-World 与评测集 Webdev-Bench。WebCoder-27B 在 Webdev-Bench 上把需求满足分从基座 Qwen3.8-27B 的 64.8 提升到 72.8，超过 Claude-Opus-4.8（65.1）和 GPT-5.4（59.6）；在 Vision2Web 上平均视觉与功能分从 41.1 提到 62.4，与 Claude-Opus-4.8 相当。消融实验验证了工件锚定信用分配与长程训练的贡献。
推荐理由：论文提出以共享可执行工件为核心分配奖励与信用，并给出对齐 Claude 等闭源模型的实测分数，方法可迁移到长序列开发任务。
arXiv · cs.CLAI 评分4444 解构语言对 LLM 智能体工具准入与检索后安全的影响
一项覆盖 10 个模型、7 种语言的受控 URL 检索实验发现 SLIP 现象：非英语有害请求使平均工具准入率从 46.9% 升至 67.4%，且在每个模型中均出现。要求用页面语言作答时，四个闭源模型在相同工具调用下的平均有害率从 50.3% 升至 57.4%，主要出现在中文和印地语。研究建议多语言安全评估应分开测量工具准入与回答有害性，并区分真正的安全拒答与能力失败。
arXiv · cs.CLAI 评分2828 ParetoChat：一个基于 LLM 的交互式多目标优化界面
研究者提出 ParetoChat，一个基于 LLM 的专家智能体界面，用于交互式多目标优化，可将自然语言输入转换为结构化标量化参数并调用优化系统。仿真研究以基于 LLM 的决策者智能体为基准，与 DESDEO 中的 reference-point 和 NIMBUS 方法对比，在多目标二进制背包和集合划分实例上验证了其能高效引导搜索以匹配用户偏好。
arXiv · cs.AIAI 评分4141 Agentic In-Context Learning：Transformer 能在闭环交互中学到哪些算法？
研究提出 Agentic In-Context Learning（Agentic ICL）框架，分析固定参数 Transformer 在闭环交互中能学习哪些算法，涵盖主动学习、bandits 和在线 RL。理论上构造了能在有限步长内近似这些算法的因果 Transformer 并给出回报损失界；蒸馏实验显示 Transformer 可学会执行三种代表性递归。在无 oracle 动作或状态标签下，用结果奖励或过程奖励训练的模型形成不同决策策略，且这种差异在预训练语言模型中跨文本改写依然存在。
arXiv · cs.CLAI 评分4949 KiranaBench：语言模型能否经营一家社区小店？
研究者推出 KiranaBench，一个模拟印度杂货店的多智能体基准，由四个 LLM 智能体分别扮演经理、收银员、帮手和账房，用英语、印地语或 Hinglish 与顾客和供应商交互，需求按印度家庭消费支出调查校准。评测四个开源权重 LLM 发现，表现最好的模型利润仅为固定规则店主基线的八分之一，两个模型甚至低于无人管理的店铺，且印地语和 Hinglish 下的表现持续弱于英语。结果表明当前 LLM 智能体尚不能可靠地自主经营印度的小生意。
arXiv · cs.CL精选AI 评分5757 arXiv 论文：后训练调节预训练中已有的线索跟随电路，导致谄媚等多种偏差
arXiv 论文（arXiv:2610.22937）发现，多种选择题偏差（如谄媚）大多依赖同一小群注意力头，该共享电路在预训练模型中已存在，多数 base 模型会跟随明文提示。仅用约 200 条无提示的通用助手样本微调即可在聊天格式中激活这些头，RL 阶段几乎在所有对比中都增强线索效应；在 Tulu-3-8B 和 OLMo-2-7B 上交换 6 个中间层的注意力模式，可将两版模型的线索效应大幅互换，缓解手段可针对该电路设计。
推荐理由：论文用因果追踪把谄媚等偏差归因到预训练已有的共享注意力头电路，指出后训练只是调节其使用强度。
arXiv · cs.CLAI 评分2525 双 LLM 共识流水线用于记录 Rett 综合征 Trofinetide 治疗表型
研究者构建双 LLM 共识流水线，从 Texas Children's Hospital 108 名 Trofinetide 用药患者的 26,763 份临床笔记中提取 18 种治疗反应表型。腹泻提取任务上最优提示词准确率达 84.2%（F1 = 0.674），比正则匹配高 47 个百分点，专家复核一致率为 90.2%（92/102）。该架构仅需改配置即可适配新表型与药物，为真实世界证据提取提供可扩展的替代方案。
arXiv · cs.CLAI 评分4444 Intern-Decision：基于自回归掩码语言建模的高效多模态决策模型
Intern-Decision 发布 0.8B、2B、4B 三款多模态决策模型，从文本和可选图像输出结构化选择与候选概率。4B 版本在七个评测套件上平均准确率 90.02%（对比 Jev v1.13.0 的 88.74%），单张 RTX 4090 上 289-token 请求平均延迟 44.16 ms。温度缩放将 Brier 从 0.628 降至 0.550，基于置信度的路由把 Jevbench-Hard 准确率从 73.87% 提升至 87.39%。
arXiv · cs.CLAI 评分2828 PremiseSQL：评估 Text-to-SQL 系统的前提批判与弃答能力
研究者提出 PremiseSQL 基准，用于评估 NL2SQL 系统识别错误前提查询并拒绝生成误导性 SQL 的能力，基准包含 1,800 条带缺陷查询及 1,800 条原始查询，覆盖四类前提失败。评测框架在三种提示设置下测量模型的前提感知行为。实验显示前沿 LLM 默认倾向信任前提、很少质疑缺陷，而批判导向提示虽提升检测与弃答，但也增加误判并抑制原始查询的 SQL 生成。
arXiv · cs.CLAI 评分4242 Mosaic：多会话 Agentic 强化学习方法
研究者提出多会话 Agentic 强化学习（Multi-Session Agentic Reinforcement Learning）设定及方法 Mosaic，采用无 critic 的分层优化：在轨迹层将 session 使用信号纳入优势估计，在会话层按估计的边际贡献塑形各会话优势。在 Qwen3.5-4B 上的 BrowseComp 实验显示，Mosaic 在 context compaction 和 subagent forking 两种场景均优于广播式方法，且平均使用更少 session。