AI 智能体

PANINI-DR 将复杂研究拆分为相互关联的子问题，并通过共享语义工作区保存发现、依赖关系与证据。实验显示，规划、持久状态和逐条证据核验能够显著提升深度研究系统的可靠性。

一项研究通过比较不同软件版本，分析哪些界面特征更适合大语言模型智能体，并提出自动生成智能体原生接口的 ANIS 框架。结果显示，重新设计工具接口不仅能提升任务成功率，还能显著减少在线 token 消耗。

ClawLoop 提出了一套面向文件系统与 Shell 操作型智能体的自我改进训练框架。它把任务生成、模型训练和能力诊断连接成循环，减少对外部教师模型与人工设计的依赖。

阿里巴巴团队提出 TerminalHorizon，通过独立执行、环境重构和渐进式任务扩展，自动生成更贴近真实专业工作的长程终端任务数据。基于该数据微调的 TerminalHorizon-27B 在多类基准测试中取得明显提升。

Work2Skill 尝试从人类完成桌面 GUI 任务的过程里提炼可复用技能，让计算机使用智能体不只模仿点击，还能理解步骤依赖、工作流规则与完成标准。

上海交通大学团队提出 SoftwareGym，通过自动生成可运行的 GUI 应用并进行运行时验证，为计算机使用智能体提供更丰富、更可靠的训练环境。实验显示，基于这些环境采集的轨迹能够提升模型在域外 OSWorld 上的任务成功率。

CASE 将医疗 AI 从基于既定材料的问答，推进到自主检索、比较并整合临床记录与多时点 MRI 证据。研究同时提出面向紧凑型视觉语言模型的智能体训练框架。

斯坦福大学团队提出 Stateless Language Agents，通过把研究状态交给框架、让每次调用都从零开始，减少历史膨胀、重复试验和无效推理。

从Meta的Muse到OpenAI的Dots，AI代理商都在把隐私和安全作为竞争卖点。但隔离运行环境、数据控制权与实际使用体验之间，仍存在明显落差。

Anthropic 已将 Claude Managed Agents dynamic workflows 纳入公开测试。该机制由主 Agent 制定计划，再把任务拆分给多个 Agent 分阶段处理，最后汇总结果，面向代码库分析等大型工作负载。

SAP研究团队提出“Synthesis Through Simulation”（STS），让大语言模型智能体仅通过调用带策略约束的API，在模拟企业环境中生成结构有效的数据。该方法试图同时解决企业数据合成中的 schema 依赖、约束一致性与跨领域扩展问题。

AgentGarten 将模拟器、游戏引擎与共享神经渲染器结合，构建既遵循明确规则、又具备真实视觉观感的交互环境。智能体还能把每轮经验整理成可继承的“玩法手册”，推动后续智能体持续改进。

当智能体连续执行数小时甚至数天的复杂任务时，人类很难逐条检查其操作记录。新研究提出 EBG，通过行为图谱组织分散证据，帮助监督系统找出值得人工核验的关键决策。

WebFovea 在 WebRetriever Challenge 2026 中取得第二名，并指出视觉网页智能体的瓶颈不只在模型推理，也在模型与浏览器之间的执行链路。通过修复解析、执行、反馈和观察环节，同一模型的隐藏集成绩从 31.0 提升至 57.0。

GUI-HARVEST不更新模型权重，而是围绕模型构建的执行框架持续迭代。它通过截图、动作轨迹和重复运行结果定位故障，并将经过验证的发现转化为可复用的代码修改。

这项研究提出“个人智能体介导推荐”，让平台推荐系统先生成候选排序，再由掌握跨平台用户历史的个人智能体进行调整。研究同时发布 MediateRec 基准和 PAMO 方法，探索智能体何时应纠偏、何时应相信平台。

MiniCorp 将企业内部的多智能体协作与外部市场环境连接起来，试图解决真实企业数据稀缺、隐私受限且缺少反事实记录的问题。它不仅模拟公司运行，还持续生成可回放、可比较的长期经营数据。

网页智能体必须读取第三方页面，却也因此容易受到隐藏指令的操纵。AdvSim2Real在冻结的网页世界模型中，让任务课程、攻击者与智能体共同演化，提升能力与抗注入能力。

工具调用代理即使最终达到正确结果，也不代表它曾经基于充分证据采取行动。SafeActBench 的研究显示，代理的主要风险往往发生在真正执行之前，以及多步工作流的依赖管理阶段。

ASCENT提出一种在线智能体测试时训练方法：不直接复刻智能体的一次尝试，而是利用验证后的轨迹进行自蒸馏。实验显示，该方法在ALFWorld和WebShop上提升了任务成功率，并减少了执行回合数。

主动式 LLM 智能体不再只是等待指令，而是利用空闲算力提前发现需求并提供帮助。新研究提出 3T 原则与 Proactivity-Gym，试图同时衡量任务能力、时间分配和用户信任。