FlowPlan：用抽象引导的规划与验证降低编码智能体的 token 开销
作者提出 FlowPlan，让编码智能体在函数级控制流或数据流图上定位故障、以图增量表达修复意图，并在编辑后重建同一抽象比对结构变化再做验证。在六个基准与模型组合中，FlowPlan 的解决率相对原始智能体无显著变化，但每个组合的 token 消耗都下降，其中五个组合显著下降。
推荐理由：论文给出以函数级控制流图规划修复并做结构比对验证的思路，读者可据此判断降低编码智能体 token 开销的可行路径。
研究方向与科研任务
Agent 智能体 最新动态
智能体架构、工具调用、多智能体系统与科学智能体。
82 条精选近 30 天 81 条共收录 342 条
更新
精选归档 · 第 4 页
arXiv · cs.SE精选AI 评分6262 arXiv · cs.DB精选AI 评分7878 Messier 发布跨基准智能体评测语料，覆盖 30 个基准、923,158 条记录
Messier 构建了统一语料，包含 923,158 条记录，覆盖 30 个基准、745 个智能体、11,891 个任务和 71,969 个验证器，并把公开评测结果与六个此前覆盖不足的专业和科学基准上的新运行结果整合到同一 schema。
推荐理由：该语料把 30 个基准的异构评测结果统一到同一 schema，读者可据此比较不同环境下的智能体表现。
arXiv · cs.SE精选AI 评分6666 DEPUTYBENCH：评估企业智能体上下文安全性的可执行基准
作者提出 DEPUTYBENCH，一个含 79 个基础条目、375 个实例、配对权限上下文与分级证据要求的可执行基准，用于评估企业智能体能否依据组织记录与政策判断普通请求是否被允许。
推荐理由：基准用配对权限上下文区分“明确无权限”与“证据缺失”，揭示企业智能体在无法核验授权时的停止行为差异。
arXiv · cs.SE精选AI 评分6767 PegasusAI Studio：面向科学工作流的可读基础设施与可问责 AI 智能体
作者提出 PegasusAI Studio，一个基于 Pegasus 和 HTCondor 的 AI 辅助科学网关，让编码智能体读取设施知识库、工作流接口与调度器遥测，并把智能体动作约束在用户权限与审批控制之内。
推荐理由：论文给出面向共享科研基础设施的智能体网关设计，并用四个真实科学工作流案例说明其机制如何运作。
arXiv · eess.IV精选AI 评分6868 MRFoundry：把 MRI 知识接入智能体循环的开源工具包与 MRI Agent Bench
作者发布开源可扩展工具包 MRFoundry，将 MRI 采集物理、数据约定与专业工具知识接入智能体动作和输出检查，并配套提出 MRI Agent Bench。在覆盖 24 类任务、十款模型的 240 组配对 Core 评测中，全部检查通过的完成率从无 MRFoundry 的 67.5% 升至 78.3%；134 组 Hard 配对中从 36.6% 升至 44.8%。代码已公开。
推荐理由：材料给出跨 24 类任务、十款模型的配对评测数字，读者可据此判断该包对 MRI 智能体完成率的实际增益。
arXiv · cs.SE精选AI 评分7171 ICLayout-Bench：面向 LLM 智能体定制电路版图设计的基准
ICLayout-Bench 是一个评测 LLM 智能体用 EDA 工具从晶体管级网表构建并优化 GDSII 版图的基准，通过物理验证、寄生提取和后仿真打分。基准包含 13 种 PDK、3 nm 至 180 nm 工艺节点的 165 个任务，覆盖模拟、混合信号与数字电路。
推荐理由：该基准覆盖 3 nm 到 180 nm 的 13 种 PDK，并给出 22 种配置的分数与成本对比，便于判断 LLM 智能体做版图设计的真实水平。
arXiv · cs.RO精选AI 评分6262 PneuGen：用 LLM 智能体协同设计软体气动机器人
作者提出 PneuGen，一个由 LLM 智能体驱动的软体机器人协同设计框架：设计者智能体从参数化组件库生成设计程序，批评者智能体分析仿真诊断并给出针对性修改建议，设计程序自动校验后转为有限元仿真迭代评估。
推荐理由：论文给出设计者与批评者双智能体协同搜索软体机器人设计空间的框架，并附消融与真机验证，可供关注 LLM 驱动工程设计的研究者参考。
arXiv · cs.SE精选AI 评分6060 SAFE 重设计：用代码接地智能体解释静态分析漏洞告警
作者重设计了开源 IntelliJ IDEA 插件 SAFE，把检测留给分析器、只让 LLM 智能体负责解释，智能体须先查阅代码仓库和触发规则再作答。24 人交叉实验显示 System Usability Scale 从 77.3 升至 85.0，正确修复的几率提高 2.6 倍，可操作性提升最明显，而信任度未变。
推荐理由：论文给出 SAFE 插件的重设计思路与用户实验数据，可了解 LLM 解释静态分析告警时的可审计性取舍。
arXiv · cs.AI 人工智能精选AI 评分7171 Ask2Decide：评估 LLM 智能体如何从人处获取决策相关信息
研究团队提出 Ask2Decide 基准，包含 43 个规划任务，用于评估 LLM 智能体是否会主动询问影响决策的缺失信息。他们收集 19 名参与者的 79 次交互会话，发现人类在方案出错后的回复中遗漏纠正性事实的比例为 43%，远高于未校准模拟用户的 7%，并据此校准出更贴近人类回复模式的模拟操作员。
推荐理由：该基准用优化求解器判定哪些事实会改变最优方案，并校准模拟用户，为评估智能体的主动提问能力提供了可复用的方法。
arXiv · cs.AI 人工智能精选AI 评分7272 Embodied Science Agent 提出三类可学习性框架，在废水处理实验中把透光率提升至 99.7%
研究团队提出 Embodied Science Agent（ESA），用 Digital Agent 的记忆推理与贝叶斯优化、Embodied Agent 的通用仪器控制以及统一接口，把计算推理与物理实验连成闭环。
推荐理由：论文把认知、实验与具身三类可学习性统一进一个智能体框架，并在真实废水处理实验中验证闭环。
arXiv · cs.SE精选AI 评分7070 ProofCoder：面向 Rocq 的智能体式证明合成系统
作者提出 ProofCoder，一个面向 Rocq 的智能体式证明合成系统，让模型在证明搜索中持续推理，并依据证明助手反馈决定检索信息、查看证明状态、修改片段或回溯。
推荐理由：论文给出与 AutoRocq 的基准对比和消融结果，读者可据此判断持续推理在证明合成中的作用。
Microsoft Research精选AI 评分8282 微软研究提出 Lazarus：重编程休眠神经元给 AI 智能体植入后门
微软研究人员提出 Lazarus 后门技术，通过重编程 LLM 中不到 10 个休眠神经元，无需训练即可给基于该模型的 AI 智能体植入后门，模型仍能通过标准评测并表现正常，直到触发条件出现。
推荐理由：研究显示仅改写不到 10 个休眠神经元即可给智能体植入后门，且模型仍能通过常规评测，为权重完整性与来源审计提供了具体依据。
Papers with Code · arXiv cs.AI精选AI 评分7676 Contrastive Discovery：用互斥竞争解释集改进 LLM 智能体的开放式科学发现
作者提出 Contrastive Discovery，把单个假设替换为由互斥且穷尽的竞争解释组成的对比集，按实验证据在集合上重新分配信念来打分，信念集中到某一解释时问题即被解决。
推荐理由：论文把假设检验从单点判断改为互斥解释集，并给出跨六个领域的量化对比与人类专家盲评结果。
NVIDIA Blog精选AI 评分6060 NVIDIA 将 OpenShell 捐给 CNCF，并发布 DSX AI Factory 平台新组件
NVIDIA 在 KubeCon + CloudNativeCon 上把用于保障和治理自主智能体的开源运行时 NVIDIA OpenShell 捐给 CNCF，作为 Sandbox 项目接受社区治理，同时参与 Google 主导的 Agent Substrate 框架。
推荐理由：NVIDIA 把智能体安全运行时 OpenShell 捐给 CNCF，并给出 Snapshot 在推理启动上的实测数字，可据此判断这套 Kubernetes 侧基础设施是否值得跟进。
Google DeepMind精选AI 评分9191 Google DeepMind 提出 AlphaProof Code，用 AI 智能体形式化验证 Signal 协议代码
Google DeepMind 提出多 LLM 智能体框架 AlphaProof Code，由人类专家与 AI 共同确定待证安全目标，Gemini Carbon 驱动的智能体生成超过 600 万行 Lean 证明，形式化验证了 Signal 协议实际编译代码的关键安全属性。
推荐理由：读者可了解多 LLM 智能体如何把形式化验证从设计层推进到实际编译代码，并看到耗时与人工审查量的具体对比。
Papers with Code · arXiv cs.AI精选AI 评分8585 Darmok 系统在《泰晤士报》填字锦标赛中全对完赛并快于所有人类选手
作者提出自动解谜系统 Darmok，在第 55 届《泰晤士报》填字锦标赛中与人类高手同场竞技，七道赛题全部零错误完成，每轮速度均快于所有人类选手，决赛题用时 6m 52s，比人类冠军快 3m 13s。
推荐理由：作者以锦标赛实战和五个月日常运行说明，复杂 AI 系统的难点正从平均准确率转向最坏情况下的可靠性。
Microsoft Research精选AI 评分7676 微软研究院发布 PDD Kit，用 Verus 形式化验证 Agent 编写的全栈 Web 应用
微软研究院联合 GitHub Next 推出研究原型 PDD Kit，把开发者的自然语言意图转成 Verus 形式规约，再证明编码 Agent 生成的代码对每个输入都满足该规约，证明覆盖不到的部分回退到测试。
推荐理由：微软研究院与 GitHub Next 展示 PDD Kit 如何把自然语言意图转成 Verus 形式规约，并在真实 Rust 全栈应用上验证登录逻辑。
Google DeepMind精选AI 评分7373 Google Antigravity 上线 Cheminformatics Skills，一小时完成肺癌药物刚性化设计
Google DeepMind 为 Google Antigravity 推出 Cheminformatics Skills，基于 RDKit 并接入 ChEMBL 与 PubChem，让智能体在约一小时内完成从文献抽取数千个化合物、匹配分子对分析、构建活性预测模型到提出新型刚性化大环化合物及合成路线的流程。
推荐理由：原文完整演示了从文献抽取化合物到生成合成路线的流程，并说明技能已开放下载，读者可据此判断是否试用。
Microsoft Research精选AI 评分6565 微软研究院发布 Flint-interactive，用高层语言让 AI 智能体生成可交互数据可视化
微软研究院提出 Flint-interactive，在 Flint 之上用高层语义事件和更新算子描述图表交互，由 Flint 编译器处理布局、渲染与依赖，从而降低生成成本并提升可靠性。
推荐理由：微软研究院团队发布 Flint-interactive，把交互逻辑交给编译器处理，读者可据此判断 AI 生成交互式图表是否更易落地。
Google Research精选AI 评分8181 Google Research 提出 VERID 框架，让 AI 智能体在湿实验室闭环做实验
Google Research 介绍三项研究，把 AI 智能体的计算探索与真实湿实验室实验连接起来。VERID 框架基于开源 PyLabRobot，为实验工作单元建立带状态的 3D 数字孪生，支持实时状态跟踪、秒级虚拟试运行、硬件安全检查与视频动作日志同步，并在自博弈闭环中把盲配染料混合物的重建准确率提升五倍以上。
推荐理由：Google Research 把湿实验室自动化、aptamer 闭环筛选和蛋白从头设计串成一条可复现路线，读者可据此判断智能体做实验的边界。