#LLM Agent
共 10 篇相关文章

LLM Agent批量任务提速65%:推理与环境协同优化
解读 LLM Agent 批量任务 makespan 优化:通过显存分配、轨迹感知路由与 CAAS 调度实现推理-环境协同,在 BFCL、SWE-bench 等基准上缩减 10.4% 至 65.0%,评测分数保持对齐。

对比集替代单一假设:让AI科研智能体从同一证据中解出更多科学问题
Contrastive Discovery 提出用互斥且穷尽的对比集替代单一假设,让LLM科研智能体从同一批证据中解出更多科学问题。本文解析其信念重分配评分机制、与现有智能体的兼容性及人类专家盲评结果。

LLM Agent 替代遥操作:机器人数据采集成本骤降
PyRUA-DataFarm 研究提出用 LLM 编码智能体替代遥操作员,在仿真中生成真实就绪的机器人数据。五个任务上策略性能与遥操作数据相当,且在干扰条件下泛化更优,成本显著低于传统遥操作。

TrawMem:把智能体记忆重构为任务导向的角色自适应工作区
TrawMem 提出任务导向的角色自适应工作区框架,将智能体记忆从按相关性检索重构为按任务角色与关系组织。在 LoCoMo 与 MemGallery 上 macro-F1 提升 2.23-3.14 点,同时减少上下文 token 消耗。

为LLM Agent构建搜索抓取层:缓存、正文提取与成本控制
详解如何为LLM Agent构建搜索抓取层:通过网关模式统一处理缓存、预算控制与robots.txt合规,用trafilatura提取正文将180KB HTML压缩至6KB,实测缓存命中率35%-45%,显著降低Agent抓取成本。

LLM Agent任务分解:构建可靠工作流的核心工程模式
结构化任务分解是构建可靠LLM Agent工作流的关键工程模式。本文详解如何通过LLM驱动的提示词设计将复杂目标拆解为原子子任务,涵盖减少幻觉、提升可调试性、成本优化与并行化等核心收益,并指出过度分解的边界。

Seahaven:为 LLM 智能体打造 RL 训练环境的开源框架
Seahaven 是一个 MIT 开源、兼容 OpenEnv 的 Python 框架,用于为 LLM 智能体构建可复现的 RL 训练环境。支持带状态工具、毫秒级 reset、确定性回放与基于状态的可验证奖励,并提供高保真的 Stripe World 示例。

TwinCheck:用「负孪生」反事实验证修复工具智能体的错误调用
arXiv 新论文提出 TwinCheck——一种推理阶段的证据驱动「负孪生」验证策略,通过反事实对照修复工具智能体的错误调用,在 BFCL V4 多轮任务上将成功率从 45.3% 提升至 58.5%,且无成功转失败回退。

Glyph:用多策略Agent系统自动标注企业数据目录
Glyph 是一套面向企业数据目录的多策略 Agent 系统,用协作 LLM 智能体自动完成列描述生成与敏感度本体标注,通过锚定流水线源代码提升准确性,助力数据发现、访问控制与合规治理。
教程攻略Anthropic官方Agent构建指南:工作流vs智能体选型全解析
深度解读Anthropic官方《Building effective agents》,从工作流与智能体的核心区别、技术选型金字塔到框架避坑指南,掌握构建高效LLM Agent的第一性原理与实战方法论。