#LLM智能体

测了 18 个模型、330 万次调用，发现 LLM 偏袒自己人不是看标签，而是看别人怎么做，挺有意思的结论。

一篇解决智能体“读完文件就忘”的论文，让环境而不是模型来记账，避免报告漏掉已提取的数据，思路挺新颖。

用 Qwen 微调出的期权交易智能体，把上千份合约简化成策略选择，六个月样本外赚 18.3%，新闻用法还挺反直觉。

LiveMACE用真实市场数据评估LLM智能体能力，发现结果与能力不匹配，比单纯看结果更准确。

这篇论文测试了让智能体自己动手省钱：让 Opus 5 等模型把任务封装成小程序或小模型，成本能降 657 倍但多数尝试会翻车，结果挺有意思。

有人把智能体自进化写出气体动力学的味道，还有可证伪的预测和 WebShop 实测，看 DeepSeek Harness 怎么被理论化

PhantomEnvironments用规则生成虚构环境训练LLM智能体，零成本且效果惊人，还能迁移到真实世界任务。

一篇把 LLM Agent 用于选股的论文，核心是用事件图做历史延续性修正，美股和港股回测净夏普都超过 1.6，量化圈可以看看。

Agent 批准了改数据库，结果顺带发了条没人要的通知，现有护栏根本拦不住。这篇论文的 EffectMatch 在提交前比对实际持久化结果，206 个任务上全拦住了错误提交。

一篇很新颖的智能体论文：不模拟工具输出，而是让模型直接修改任务状态，Action Judge 拿了 70.5% F1，做 Agent 的值得看看思路。

Task-CoEvolve通过自适应任务选择优化LLM智能体，比传统方法更高效，值得一看。

这项研究揭示了LLM智能体技能迁移的关键因素，通过技能效用分数评估技能记忆，对理解智能体技能提升有重要意义。

这篇论文提出了一个评估LLM智能体在金融合规中规则归因的新方法，值得一读。它通过实验展示了规则指导如何减少违规行为，并强调了监控的重要性。

AI4AI-Bench为LLM智能体算法设计提供了一个基准测试，展示了智能体在改进训练算法方面的潜力，值得研究者和开发者关注。

SHE把智能体安全从模型权重扩展到运行框架，分解成四个可独立进化的组件，实测攻击成功率降3.1倍，还能跨模型迁移，搞AI安全的值得看看。

做长期记忆的智能体开发者可以看看，SodaMem用图结构加证据链，在LongMemEval-S上准确率92.8%，成本还低，比普通RAG日记靠谱。

这篇论文给LLM智能体加了情感记忆模块，在冲突场景下找关键记忆比普通RAG强不少，做Agent记忆方向的朋友可以看看。

不用手写内核了？SparseDitto 用 LLM 智能体自动生成，比 cuSPARSE 平均快 2.7 倍，最高 146 倍。

想提升LLM智能体调用工具的准确率？这篇论文的HYSET方法把工具集当成整体打分，比单个检索靠谱，ToolBench上全面领先。

这篇论文用PaySim数据集测了套欺诈检测流程，发现图特征和AI调查智能体效果有限，智能体解释好看但决策反而更差，值得做风控的人看看。

这篇论文用LLM智能体模拟政党结盟谈判，设计了MILT和CIS两个新指标来追踪条款来源和影响力，在比利时选举数据上验证了有效性，对政治学和AI研究都很有参考价值。

AgenticSTS用Slay the Spire 2游戏测试LLM智能体记忆：无记忆胜率3/10，加技能6/10，人类16%。做长时域智能体研究可以参考这个方法论。

一篇很扎实的综述，把LLM智能体“一直在线”带来的状态管理问题系统化了。有435篇论文支撑，还提出了自己的评估协议AOEP-v0，适合想深入理解智能体持久化设计的读者。

这篇论文提出了一个可扩展的框架，用GitHub Issues来测试LLM智能体找论文代码的复现问题，比现有手动基准好很多，值得看。

想降低LLM智能体长会话的推理成本？看看TokenPilot，它通过智能管理上下文缓存，在三个基准上省了61%-87%的费用，性能还不掉队。

做监管流程自动化的团队会发现，将符号结构嵌入智能体架构比事后监控更可靠，建议研究LLM智能体的开发者关注这一新范式。

量子电路设计长期依赖人类专家，这个LLM智能体框架实现了自动化迭代优化，做量子计算或量子机器学习的研究者可以直接参考其闭环设计思路。

这是首个系统评估LLM智能体在生物安全关键任务上能力的基准，做AI安全或生物计算的研究者值得关注——它揭示了当前模型在复制已知协议时很强，但在创新推理上仍有短板。