方向
Agent 框架、工具调用与运行循环，以及它们和人格、记忆系统怎么接。
1,880 条精选近 30 天 1,875 条共收录 7,246 条
论文提出 Agent S4，一种自主计算机使用智能体，从任务经验中构建可演化的智能体界面：元智能体在无成功标签的合成任务轨迹上构建并修订界面与用法知识仓库，再通过基于种群的进化按未见验证任务的表现筛选。在 OSWorld V2 上，Agent S4 搭配 Qwen3.8-27B 与演化界面仓库取得 21.3% binary score，为固定界面同模型的 3.8 倍，高于 GPT-5.5（13.0%）和 Claude Opus 4.8（20.6%），成本约为后两者的 4.3% 和 1.5%；在 ScienceBoard 上同模型成功率从 41.4% 提升至 58.6%。代码已开源。
推荐理由：论文提出让智能体自主演化操作界面，用无标签轨迹和种群进化构建接口库，并给出 OSWorld V2 与成本对比数据。
Masahiro Kaneko 在 arXiv 论文（arXiv:2610.28315）中发现，LLM Agent 在对话中读取持久记忆会引发自我强化的隐私泄露循环。多会话仿真中，带 24 项个人属性的模拟用户与支持类 Agent 对话，四个支持模型里读取记忆既提升回复质量也提高属性被正确推断的比例，且差距随会话扩大，因为记忆条件回复把旧值作为预设带入，用户确认或不纠正使其变成记录值。指示 Agent 不陈述或预设属性可将泄露降到接近无记忆水平并保留大部分质量增益，而过滤或匿名化用户输入或存储内容会损失较多质量。
推荐理由：这篇研究用多会话仿真揭示了带持久记忆的 LLM Agent 中自我强化的隐私泄露循环，并给出在回复端抑制泄露的可行做法。
论文提出 cache engineering 方案，让 LLM 智能体通过 drop 和 repos 操作直接控制活跃 KV cache，无需修改轨迹或重新 prefill。配套的 AKV 推理引擎提供无状态接口并内部管理缓存复用；工具响应滚动 drop 策略相比阈值触发的摘要方法平均提升基准分 1.7 分、降低成本 27.7%，AKV 实现最高 1.2x 输出吞吐和 1.5x P95 延迟加速。
推荐理由：论文提出让智能体直接操作 KV cache 的缓存工程方案，附带与常规摘要策略的成本和延迟对比数据。
arXiv 论文提出 Rollout-to-Scorer Distillation（R2S），指出智能体在线策略蒸馏失败源于 next-token 评分的短视而非复合误差，教师看不到回合结局导致拖延动作通过评分，称之为 rollout-scorer gap。R2S 先从高分歧状态运行教师接管、用共识或 LLM judge 等无奖励检查筛选状态微调教师打分器，再冻结为唯一评分器做标准 OPD，修复与训练全程无需任务奖励。在 3 个环境、2 个教师、4 个学生的全部十二个组合中超过三种 SOTA 方法，平均领先最优基线 12.8 个成功点。
推荐理由：论文指出教师评分短视导致智能体蒸馏失效的根因，给出的无奖励修复方法在十二组实验中均有提升。
RDW-Labz 开源 Project Swarm，一个可复用的 agent skill 和零依赖 Node.js 运行器，用协调者拆分任务、由 Claude Code、Codex、Cursor、Hermes、Qwen Code 等工作器处理独立片段，再审查整合结果。支持 12 种适配器，Codex 与 Cursor 工作器在 macOS seatbelt 沙箱内的独立 git worktree 运行，API 工作器走单请求严格 JSON 交换；内置成本分层路由、消费上限、变异测试和 lessons 学习循环，当前版本 1.19.0，代码以 Apache 2.0 许可公开于 https://github.com/RDW-Labz/project-swarm。
推荐理由：原文给出多智能体协调器的完整命令体系、沙箱隔离和成本分层路由设计，读者可以据此评估是否复用到自己的多 Agent 编码流程。
Artem Okhten 开源了 GulfOfTrump，一款架空历史大战略游戏：玩家选 1914 萨拉热窝到 2022 俄乌开战共 8 个起点和任意国家，用自然语言下达政令，大语言模型扮演世界其余部分，通过官方 Sign in with ChatGPT 跑在玩家自己的 ChatGPT 套餐上，免费无内购。核心设计是模型只负责叙事并按回合返回 JSON 结果，引擎保存约 2700 个省的归属、战争、联盟、经济与军队等结构化状态，用 sanitizeOutcome 剔除无效改动、把数值波动钳制在 ±15，失败答案有一次带解析错误的修复机会。游戏含各国内政议会、以资源为基础的贸易、有名字和忠诚度的部长内阁、按城镇划分的前线与占领机制，代码 MIT 许可，地图数据 GPL-3.0。
推荐理由：这个开源战棋游戏把 LLM 的叙事和引擎的账本分开，模型每回合只出 JSON 结果并被钳制校验，思路可以直接借鉴到其他 Agent 项目。
GitHub 开源项目 contraagent 将 Claude Code、Codex CLI、opencode、oh-my-pi 和 pi 作为 Python 流水线中的步骤运行，每个任务是类型化函数，输出文件需通过 pydantic 模型和校验器检查。运行器负责调度、failover、配额、截止时间和断点续跑，浏览器监控器实时展示每次运行的会话记录、token、成本和订阅用量。任务在干净上下文中启动，支持按 fallbacks 链在模型、编码智能体和凭证之间切换，支持 --stub 与 --replay 零成本试跑，MIT 许可。
推荐理由：把 Claude Code 等 5 个编码智能体当作流水线步骤统一调度，任务输出经 pydantic 校验，失败可换模型换账号续跑。
Wenshuo Zhang 等发布 RITE 基准，评估工具调用型 LLM 智能体在静默工具错误下的端到端韧性，基准基于人工编写的工业工作流与生产日志输入构建。包含 9 个电商工作流、167 个匹配单元，共 501 条静默错误、正确值与显式失败实例。实测 10 个近期 LLM 后发现，静默错误大致使任务成功率减半，且比显式失败更难应对；错误识别、使用验证路径、整合证据构成连续瓶颈。作者还提出轻量 State Checker 干预来测试能否提升韧性。
推荐理由：论文用真实工业工作流构建静默工具错误的端到端评测，给出了 10 个模型的量化对比和可复用的干预思路。
Meta 的开源权重模型 Muse Spark Open 在 Fireworks 上线，提供 Day-0 serverless 调用。该模型为 816B 参数 MoE 架构，每 token 激活 42B 参数，上下文窗口 1M token，主打长上下文编码与 Agent 工作。
推荐理由：给出了参数规模、激活参数和上下文窗口等关键配置，读者可据此判断该模型是否适合长上下文和 Agent 场景。
Ai2 发布 FairStress 基准，用 300 个真实两难决策场景、扩展后超 1300 万测试用例，测量大语言模型在不同人口身份下的决策稳定性和解释差异。实验发现存在反刻板印象的过纠，模型在对抗性前缀下更容易放弃有利于多数群体的正确决策，匹配前缀下向少数群体切换的概率高出 8.8 到 42.4 个百分点；对 BBQ 的对比显示评测提问和打分方式会改变测得的偏见方向。
推荐理由：不止测最终选择，还用对抗性前缀测决策稳定性，揭示了用固定选项打分的旧基准可能漏掉的反向过纠现象。
作者 wJJh（小妖刀）发布 llm-wiki-skills 仓库，包含四个可组合的 Agent Skills，支持 Claude Code 与 DeepSeek Harness（DSH），全部零第三方 Python 依赖。核心技能 cf-browser-render 通过 Cloudflare Browser Rendering 用真实浏览器把公众号文章、SPA、文档和 GitHub 页面渲染成保留结构的 Markdown；其余三个技能分别实现手动 Star 仓库、分页导出 GitHub Stars、批量扫描 Star 仓库新版本并生成 Markdown 报告，四者可组成发现、收藏、导出、版本追踪的完整流水线。项目 MIT 许可，需 Python 3.10+，国内网络访问 Cloudflare 需配置代理。
推荐理由：四个技能全部只用 Python 标准库、零第三方依赖，且同一套 SKILL.md 可同时被 Claude Code 和 DeepSeek Harness 加载。
helpcode.ai 开源了自托管 MCP 网关 AnythingMCP，无需编写 MCP 服务器即可把 REST/OpenAPI、SOAP、GraphQL、OData 和 SQL 系统变成供 Claude、ChatGPT、Copilot 使用的 MCP 工具。内置 517 个连接器（含 SAP、Etsy、weclapp、Amazon Seller，23 个无需 API key），暴露 2,400+ 工具；支持 Docker 自部署，提供响应映射（示例适配器从 12,172 B 压到 1,072 B，约 -91%）、只读默认、RBAC/SSO/SCIM、AES-256-GCM 加密和审计日志，另有 Knowledge Graph 与 AI skills 功能。
推荐理由：原文给出了从 OpenAPI、SOAP 到 SQL 生成 MCP 工具的完整自托管方案，含 517 个连接器和响应映射压缩上下文的实测数据。
viktordanov 在 GitHub 开源 uah，一个用 Go 编写的功能完整的终端编码 Agent 框架。它通过 Codex 登录复用 ChatGPT 订阅或 API key 运行，支持 macOS 和 Linux（arm64 与 x86_64），无 Windows 版本。功能包括基于 Markdown 模块的上下文准备、磁盘会话存储与 SQLite 索引、并行子智能体、/goal 目标驱动执行、Seatbelt/bubblewrap 沙箱与审批规则、MCP 支持、Claude Code 兼容的 hooks，以及 uah exec 与 uah review 等无头模式；作者称在 agent 基准中 v1.8.0 比无上下文消息的 v1.7.5 减少 13% 墙钟时间和 39% 失败命令。
推荐理由：作者开源了自研终端编码 Agent 框架，README 详列沙箱、会话、子智能体等实现细节，可作同类工具的参考实现。
pyTracer 0.1.0 发布，这是一个 AI 智能体测试与回放平台，能记录智能体的 LLM 调用、工具调用和推理步骤，注入录制的响应实现确定性回放并在 CI 中做回归测试。支持 LangGraph、CrewAI、AutoGen 和 OpenAI Agents SDK，核心能力是跨分支复现失败运行以验证分支是否修复了 bug，十二个包均已发布到 PyPI，客户端工具链为 Apache-2.0、服务端组件为 AGPL-3.0。
推荐理由：原文给出了捕获失败运行、确定性回放和跨分支复现的完整工作流，可对照评估自己的 Agent CI 测试方案。
fireishott 发布自托管助手守护进程 Kallisti v1.4.0，单个长驻进程提供流式对话、工作区读写、命令执行、URL 抓取和绘图工具，并通过 MCP 客户端接入外部服务器，状态存于本地文件与 SQLite，无云端控制面、账号或遥测。安全模型在代码中强制执行：密钥仅存为 env 引用、口令存加盐校验值、read-only 与 workspace-write 沙箱在工具层拒绝越界写入、ask 策略下写入和 MCP 调用进入人工审批队列；原文同时如实指出 fetch 防护未做域名解析时的私网地址检查这一已知缺口。MIT 协议开源，架构分四个 crate，测试覆盖协议接缝、回合循环、沙箱、审批与 MCP 帧。
推荐理由：原文把安全模型落到代码层面并如实写出未实现的 fetch 防护缺口，适合想自托管助手守护进程的读者参考其边界设计。
IBM Research 发布 ALTK-Evolve，通过 GPT-4.1 从智能体自身轨迹中蒸馏行为规则并追加到系统提示词，在不更新权重的情况下让 stock ReAct 智能体在 τ²-bench retail 达到 Pass^4 67.5%，登顶 2026 年 10 月 12 日榜单快照。换用 gpt-5.5 后 airline 以 82.0% 位居第一；对比显示 retail 需 292 条 lossless 全集才见效，airline 的 14 条 sup3 核心反而更可靠，代价主要是输入 token 成本上升，对话轮数略降。
推荐理由：不更新权重，仅靠从轨迹中蒸馏的提示词级规则就把 stock ReAct 智能体推上 τ²-bench 榜首，方法可直接复用。
zishuo-xu 在 GitHub 开源 delivery-lab，一个本地 Web 应用，让四个 AI 成员共享任务板、记忆和沙盒，按 @mention 路由、五栏交接卡、跨角色互审和决策日志完成协作。内置确定性演出剧本，无需 API key 即可演示，配好模型后可切真实 LLM；已用 DeepSeek deepseek-flash 验证 A/B/C 机制并修复 6 个真实模型才暴露的问题。项目提供审批闸门、权限分级、失败恢复三选项、按任务回溯的 LLM 调用轨迹（示例任务 121 秒中 88 秒为模型思考），支持 API 与 claude -p CLI 双引擎、MCP 工具注册表、多房间与真实仓库只读隔离及任务分支 git 工作流，要求 Node.js >= 24，含 339 个测试。
推荐理由：原文给出审批闸门、权限分级、任务轨迹等具体机制和真实模型实测数据，读者可以据此评估多智能体协作时人如何保持控制权。
jmgirard 发布 Claude Code 插件 cairn，用 cairn/ 目录下的纯 markdown 文件管理项目状态，覆盖规划、实现、评审、热修和发布流程。插件提供 /milestone、/milestone-plan、/milestone-review、/hotfix 等命令，带合并审批守卫钩子，支持 R、Python、Docker 等工具链配置，可通过 clone 加 symlink 或 marketplace 安装。
推荐理由：原文完整给出了 cairn 的目录结构、命令清单和守卫钩子行为，读者可以据此判断这套里程碑工作流是否适配自己的仓库。
TurnCall 在 GitHub 发布 MIT 协议的自托管语音智能体引擎，通过一条 curl 即可创建绑定 Twilio 号码的电话接待员。级联管线 STT、LLM、TTS 处理约 800ms，S2S 方式约 300ms，来电感知延迟另加默认 800ms 的 silence_timeout_ms。支持 Deepgram、OpenAI、Anthropic Claude、Gemini、ElevenLabs、Cartesia、Ollama、OpenRouter、AWS Bedrock 等可按 agent 更换的 STT/LLM/TTS 组合，本地跑 Ollama 时音频不出本机网络；还含外呼 campaign、RAG 知识库、MCP 工具、A/B 测试、通话后 LLM 分析与 PII 脱敏合规套件。
推荐理由：原文给出完整的自托管语音智能体引擎架构与各环节延迟数字，读者可以对照自建方案评估管线和成本取舍。
eedeb 发布 FreeClaw，一个跑在自己机器上的低成本工具调用型 AI Agent，提供 Linux、macOS、Windows 一行安装脚本和带密码的深色 Web UI。它通过本地意图分类决定每条消息发送的历史窗口、温度和工具集，尽可能把流量路由到小而便宜的模型，并支持持久记忆、网页搜索抓取、bash 命令审批门、MCP 服务器、定时任务、多提供商回退、提示词缓存和 OpenAI 兼容 API，许可为 MIT。
推荐理由：README 详细说明了意图分类路由、两级历史窗口、提示词缓存等省钱手段，是自托管低成本 Agent 的一套可参考工程做法。