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 MCP-Injector，一个可插入的协议感知故障注入中间件，其故障模型基于对 1,774 个开源 MCP 仓库中 57,240 条 issue 与 PR 的挖掘。在跨两个 gpt-oss 骨干（20B、120B）和三种 Agent 框架的 1,350 组实验中，故障导致任务完成分从 8.08 降到 3.23（满分 10），且 120B 在故障下保留的无故障得分比例与 20B 无显著差异（p = 0.96），故障下完成率甚至更低（91.1% vs 95.6%）。作者认为框架级错误处理比模型规模更重要，建议将协议感知故障注入作为能力基准之外的补充评测维度。论文已被 NeurIPS 2026 接收为 poster。
推荐理由：论文提出对 MCP 工具调用路径做故障注入的评测方法，并给出模型规模与容错关系的实测数据。
qybaihe 发布 mu，一个基于 pi 的编码智能体，把上下文管理、命令安全、完成判断等例行决策交给小型 judge 模型，在 agent 循环的 40 个决策点上作答，主模型专注写代码。默认 judge 为 TypeSafe 托管的 Jev，也可换成本地 Laya（322M 参数）或自家的 mude 1.0（2B 参数，基于 Qwen3.5-2B 微调，MIT 协议，含 MLX 8-bit 版）；测试日志裁剪在最长失败日志上无损压缩 51% 字符，所有判定写入本地 ledger 可审计，支持 shadow 模式对比 judge。提供命令行与桌面应用，作者注明尚无与 pi、Claude Code 或 Codex 的端到端对比。
推荐理由：原文给出了40个决策点的完整清单和测试日志裁剪的实测数据，读者可以据此评估这套judge架构的适用范围与局限。
PAIArtCom 开源了本地 LLM API 代理与网关 Clipal，可将多个模型提供方整合到本地路由 http://127.0.0.1:3333/clipal。它支持在 Web UI 中一键接管 Claude Code、Codex CLI、OpenCode、Qwen Code 等 18 个客户端的配置并自动备份回滚，提供多 Key 轮换、优先级故障转移与 Codex、Claude、Antigravity 的 OAuth 上游接入，以单二进制文件在 macOS、Linux 和 Windows 上作为后台服务运行。
推荐理由：项目方完整说明了本地 LLM 网关的一键接管、多 Key 轮换与故障转移机制，可作为整合多家模型接口的参考方案。
pham-canh 发布了 opencode-harness-kit，一套面向 OpenCode 的编码 harness 工具，通过 JSON profile 把模型相关配置变成数据而非代码，默认 fleet-safe 配置以十条 lane（各配独立模型、上下文和 effort 等级）覆盖十个任务，含 guard、prune、router、telemetry 四个插件模块。
推荐理由：作者用真实安装的测量数据支撑每个配置决策，并公开了 A/B 里对自家工具不利的数字，这种写法本身可以借鉴。
Nafjan/summon 发布 3.6.1，一个零依赖的调度器，可从 Claude Code、Codex、Cursor CLI、Gemini CLI 等任意主机 CLI 把任务路由给其他模型 CLI 和 OpenAI 兼容端点。支持跨厂商代码评审、多模型并行竞速、--council 议会决策与 --deliberate 治理式决策，--worktree 为并行编辑 Agent 提供隔离分支；安装方式包括 npx skills add Nafjan/summon 和 python install.py 多主机安装。
推荐理由：一个零依赖的多 CLI Agent 调度器，跨厂商评审、议会决策和隔离 worktree 的设计思路可直接迁移到自己的多智能体工作流。
arXiv:2610.32483 提出评测 LLM Agent 执行框架（harness）与底层模型交互的框架，包含有效完成率（VCR）、Model-Harness Fit、Cross-Model Fit、交互残差和 Token Load 五项指标。研究在 6 个基准上评测 OpenCode、Codex CLI、Pi CLI、DeepAgents 四个框架与四个核心模型，加上两组原生固定组合，共 111 个评测设置、52,168 条轨迹；结果显示框架排名随模型和基准变化，OpenCode 跨模型表现第一，DeepSeek V4 Flash Preview 在共享四基准上保持较高的 Mean VCR。
推荐理由：论文把 Agent 拆成模型与执行框架两部分联合评测，给出五项指标和 52,168 条轨迹的实测，可帮助读者理解框架排名为何随模型和基准而变。
arXiv 论文 2610.32370 提出一个物理可控的多模态智能体，用于非平稳响应下科学仪器的逐shot调参，包含符号物理量提取、两层记忆加 MLLM 生成动作、独立动作可行性检查三个可审计组件。在 EXL-50U 四个平台的 455 shots 按时间顺序回放中，物理符号比波形图像的 macro-F1 高 0.21-0.32，检索上下文使与历史动作方向的一致率提升 22.4-42.7 个百分点；在五个离子源的监督运行中，409 次 executed shots 的束提取率达 86.80%。
推荐理由：论文用可审计的多模态智能体在真实聚变装置上做仪器调参，给出了消融数据和监督运行成功率，方法可迁移到类似非平稳控制场景。
开发者 rakeshnitb23 在 GitHub 发布 toolism，通过删除 JSON Schema 中冗余的 title、anyOf 包裹、default: null、未用 $defs 等内容，在不改变工具调用有效性的前提下削减工具定义 token。在含 159 个工具、来自 13 个主流 MCP 服务器的 14 套工具集上，默认 safe 规则共削减 37.4% token，其中 Notion 服务器降幅达 73%。工具提供 measure、slim 命令、hypothesis-jsonschema 等价校验、GitHub Action 门禁，以及 OpenAI、Anthropic 和 MCP 格式的 Python API，采用 MIT 许可证。
推荐理由：作者给出 14 套共 159 个工具的实测数据，默认规则平均削减 37.4% 的工具定义 token 且保证校验等价，可直接套用。
andrewsavio 在 GitHub 开源 AI-World，一个低多边形 3D 世界中十个有需求、性格和偏好的智能体以量子计算为目标自主学习和生活。每个智能体带两个 PyTorch 网络，技能脑用 mini-batch SGD 训练，决策脑用 REINFORCE 策略梯度强化学习，不含任何语言模型；全部在本地运行，无云端、无 API 密钥、无遥测，附 pytest 测试套件与 GitHub Actions CI。
推荐理由：十个自主智能体在本地低多边形世界里用真实 PyTorch 网络学习与决策，全程无语言模型，架构与训练方法都写得清楚。
arXiv 论文 DMAIC-Bench（arXiv:2610.32305）提出评测 LLM 智能体自我克制能力的基准，用 97 个种子任务、覆盖四个行业 15 个工业案例，基于 Lean Six Sigma 的显式统计前提构建，配反事实变体以区分合理停止与盲目停止。对六家提供商 13 个模型的实测显示，GO 决策路由准确率平均 92%，NO-GO 决策仅 19%；盲测专家评审估计 11 个被审计智能体的报告在 47% 的 NO-GO 决策点上基于无效证据行动，区间 31% 至 61%。论文含 54 页 14 图，代码与数据已公开。
推荐理由：论文用反事实变体把自我克制从任务完成度里拆出来测，给出 GO/NO-GO 路由准确率的量化差距，可作为评估智能体决策的新方法参考。
论文提出 SWE-Shift，一个评估编码智能体在任务执行中途遭遇代码、依赖或需求变更时表现的基准，包含 120 个场景、12 类变更族，并在 9 个干预位置评测。17 个编码智能体系统的 Shifted 成绩均低于 Clean 基线，GPT-6 Astra 从 67.35% 降至 24.79%，配对成功率 20.34%；工具/会话变更与过期证据在所有系统上配对成功率为零。论文地址 https://arxiv.org/abs/2610.32196v1
推荐理由：这个基准专门测任务执行中途环境被改动时的表现，17 个系统的成绩都下降，暴露了保留已有工作与刷新证据的短板。
GitHub 项目 mylgtab/budget-rag 发布 v1.0.0，实现成本感知的长文档问答检索，简单问题走 BM25 便宜路径，难题才升级混合检索加重排与大模型。在 200 条改写问句评测中，级联策略用 47% 的成本拿到深检索 99.5% 的召回；附录还给出分块粒度、双索引自动选择、两层缓存（LongBench 30 条冷缓存 46.6 秒降到热缓存 4.6 秒）与预算档位对比，完整实验记录与复现脚本见 docs/report.md 和 make check。
推荐理由：作者公开了完整实验数据和复现脚本，还保留了负结果，想比较不同 RAG 检索策略成本与召回的读者可以直接参照。
supercarto 是面向 LLM 的空间中间件，把 GeoJSON 等地理数据编译成 token 预算内的拓扑 YAML 图，供 AI 智能体直接推理。官方示例中 272,993 字节（约 68,000 tokens）的文件在 1024 token 预算下压缩到约 890 tokens，缩小约 99%；所有被裁剪的要素按层记录在 omitted 字段中。工具内置无密钥天气、带诚实降级状态的交通与 GTFS 公交时刻、室内楼层图，通过 npm/pip、CLI、HTTP 和 MCP 提供，附带 supercarto-bench 基准（编译图 38/47、原始 GeoJSON 15/47、无地图 0/47），共 412 项测试通过，Apache-2.0 许可。
推荐理由：README 给出了同一测试文件压缩前后的 token 数字和可复现命令，读者可以直接验证给 Agent 用的地图能省多少 token。
论文报道了在北海道大学医院封闭网络内部署的临床支持智能体平台 LLENS，使用 8 块 NVIDIA H200 GPU 与开放权重模型 Kimi K2.6（约 1 万亿参数），自 2026 年 9 月 14 日起在医院网络运行。Kimi K2.6 从 3 个候选中选出，在 2026 年日本医师执照考试模拟中得 480/500 分；在 180 道基于医院文档的问题上，交互式工具访问准确率 97.2%，高于固定检索的 81.3%（差距 15.9 个百分点，95% CI 10.9-21.3）。
推荐理由：在医院封闭网络内部署开源大模型智能体的完整实测，对比了三种检索方式的准确率，方法可迁移到其他内网场景。
论文提出用 LLM 智能体作为语料调试器审计多语言数据管线，通过只读、有预算的 API 探索语料并将发现编译成可执行测试，再由母语者验证。在 FineWeb2 的 26.5M 文档斯洛伐克语子集上，三次运行各花费 $2.21-$2.84，共发现四个现象的七项问题，最大的是 1,408,437 篇（5.32%）通过管线过滤的机器生成内容农场；盲测支持 7 项中的 6 项（缺陷率 .53-1.00 对随机对照的 .08）。编译后的测试套件 0.7 秒即可扫全语料无需 GPU，而单次 LLM 分类需 $12k-$90k；最佳静态采样基线以不到一半成本验证了比任何智能体运行更多的选择器。
推荐理由：论文把 LLM 当语料调试器用一次而非逐条分类，并对比静态采样基线的成本与效果，方法对比值得数据质量工作者参考。
arXiv 论文测试了八开放权重模型在 558 份真实文档上的 JSON 提取行为，发现 schema 中未被强制执行的最小条目数会让超过真实数量的列表占比从 34.5% 升至 55.4%。约一半填充条目来自文档原文，难以被校验发现；告知“少于也可”、散文式计数、提供 N/A 选项等修复方法效果有限，而用校验错误重问反而加剧填充。代码、答案列表与运行记录已开源。
推荐理由：论文用预注册实验量化了 schema 最小条目数如何导致模型凑数虚报，并实测了几种常见修复方法的有效程度。
balanced7 开源了 akashic-aurora，一个为 AI 智能体设计的记忆基座，核心问题是衡量记忆是否真正改善了结果，并构建检索路由机制把已有知识送到使用时刻。项目由多个 AI 智能体共享任务账本、消息总线和经验语料协作完成，内置 7,358 个测试、verified_by 验证门控和七种命名扇出几何；作者公开了检索覆盖率造假被审计纠正的完整记录，并明确承认已上线机制的记忆价值尚未在大规模上得到验证。代码以 Apache License 2.0 发布于 https://github.com/balanced7/akashic-aurora 。
推荐理由：项目不止堆功能，还公开了检索失败、指标自纠的完整审计链，读者可以借鉴其多智能体协作与可验证记录的做法。
GitHub 仓库 apoapostolov/humanizer 发布 2.12.16，为 AI agent 提供五个可单独安装的写作技能：humanizer 1.7.10（保留作者声音改写）、simple-english 2.4.2、ai-writing-detector 1.2.2、writing-prose 1.2.4 和 writing-voice 1.1.0。2.12.16 让目录保护作者判断、排版符号不影响评分，检测器输出为 signals_only，不作为作者归属证明；技能可复制到 ~/.claude/skills/ 等目录或用 npx skills 安装，MIT 许可。
推荐理由：仓库把去 AI 腔改写拆成五个可单独安装的技能，并明确检测器只报信号不作作者判定，安装与脚本用法都可照抄。
作者在相同的 Opus 5.5 规划、3 worker 并行设置下，用 llama.cpp Q8_0 在 RTX PRO 6000 Blackwell 96GB 上实测三个小型 MoE 编码同一个 Three.js 万圣节连锁反应场景。Flint 40B-A2.5B 综合最优：墙钟 7:36、修复 6 次、Opus 花费 $0.41；Nemotron 3.5 Lightning 解码最快但生成约 5 倍 token、修复 16 次、花费 $0.95，其编辑成功率仅约 17%。作者指出换 worker 模型使规划者账单从 $0.41 涨到 $0.95，裸 tok/s 并不决定总耗时，且三者在单轮内都没产出完全可用的场景。
推荐理由：同一任务同机实测三个小型 MoE 当编码 worker，给出 token 消耗与 Opus 花费对比，显示编辑成功率比裸速度更影响实际耗时。
开发者 dovholuknf 在 GitHub 开源 atrium，一个本地运行的 Agent 会话管理看板，把每个 Agent 会话显示为卡片，区分需要授权与已完成的状态，所有工具调用先经过权限门，可用 always/never 规则自动应答。支持 Claude Code、codex、gemini、opencode、ollama 等作为 runner 接入，Agent 之间可跨机器以 peer 消息通信，房间通过双向 TLS 连接 hub，看板绑定 loopback、无账号无云，状态可在重启后保留，采用 Apache 2.0 许可证。
推荐理由：作者以罗马中庭隐喻讲清了多 Agent 会话看板的设计取舍，卡片、权限门与跨机通信的机制都有具体说明。