工具调用 LLM-DailyDigest 2026-08-12 2026-08-12 约 100 字 预计阅读 1 分钟 工具调用 本主题由提交工具自动创建,可在此补充洞察与资料。 相关消息(按子主题自动聚合) 三维重建 1 LEGO-Anything:以编程智能体重建可执行 3D 场景 10-01 上下文压缩 1 REMORY:用于上下文压缩的残差记忆学习 10-10 业务评测 1 Thinkingbox:有状态业务工作流智能体沙箱与基准 08-21 临床协作 1 MARC v1:面向临床推理与协作的开源多智能体框架 08-16 云端智能体 1 Grok Bot以零配置云端多智能体打造“一人公司” 08-21 交互成本 1 上下文压缩会增加智能体的隐性交互成本 08-18 产业动态分析 3 Personal AI 入口争夺:巨头押注与超级 App 权限壁垒 10-24 爱派AiPy上架银河麒麟软件商店 09-24 OpenRouter 9月 AI Agent 使用量排行:Hermes Agent 登顶 09-16 产品设计 1 对话 Claude Code 之父:模型越聪明,工作流越应简化 08-26 人工智能辅助编程 2 第一性原理拆解 Agentic Coding:从理论到实操 10-27 OpenAI 升级 Codex Cloud,Agents API 支持 computer use 09-30 令牌消耗 1 智能体 token 用量已达人类 5.2 倍 08-26 优势公平性 1 ARC:开放式交互中的公平相对优势比较 08-26 信用分配 3 细粒度信用分配何时助益或损害多模态智能体强化学习 10-27 MRTPO:多奖励强化学习的奖励特定词元级信用分配 10-18 CrEST:面向多轮多步 LLM 智能体的验证器约束信用分配 08-16 具身基础模型 1 Show-Harness:用语义接口释放 VLM 机器人控制能力 09-10 具身规划 4 前沿 AI 模型在 LIBERO-10 机器人操作任务上的评测 10-22 SuperNav:面向任意任务与场景的通用智能体导航系统 10-18 SuperNav:面向任意场景与任务的智能体导航系统 10-10 RoboDawn:将视觉语言模型智能迁移至机器人控制 09-23 办公智能体 1 豆包工作正式发布:深度融合飞书的办公智能体 08-25 医疗人工智能 1 X-Ragent:工具增强强化学习驱动的胸部 X 光证据推理 10-18 协同演化 1 UnifiedPlayers:协同增强工具集成推理 09-18 发现能力评测 1 Apodex Discovery:面向真实发现任务的AI评测环境 08-18 可信执行 5 从证据到行动:工具型智能体的失效机制 10-08 监管器亦成干扰:工具智能体的成本感知退避机制 10-08 ActionGuard:面向技能投毒的工具调用授权机制 10-01 FCD:防止有效工具调用在部署中发生语义漂移 09-30 HEXIS:将智能体技能编译为扩展有限状态机 09-25 可信推理 2 自引导 LLM 推理诊断车辆路径问题中的错误 10-18 Brain Researcher:以分析严谨性约束神经影像科研智能体 08-21 合成强化 1 TRACE:以合成奖励训练因果探索推理智能体 09-10 因果推理 1 VepAgent:工具增强强化学习驱动的视频事件预测 10-09 图推理 1 GRAIN:以结构不变奖励提升真实世界图推理鲁棒性 08-28 在策略蒸馏 1 ActionOPD:在语义动作层面蒸馏智能体决策 10-18 多智能体协作框架 2 4 个 Gemini 智能体在《我的世界》自主协作击败末影龙 10-19 HiRS-Agent:面向长程遥感任务的分层多智能体系统 09-01 多智能体协作风险 3 多智能体通信可能适得其反:强模型指导使准确率下降23.6个百分点 10-24 Toolflation:卖方智能体自发优化描述并扭曲工具市场 10-21 DGF-Bench:多智能体治理委员会欺骗攻防与审计基准 09-30 多智能体系统 3 Anthropic:谨慎使用子智能体,优先考虑单 Agent + Skills 10-27 BCMAAC:信念条件化的去中心化 LLM 多智能体协作 10-27 TMCS:工具驱动的多智能体组合化学推理框架 09-30 多模态推理 1 VAMR:面向长视频理解的多问题智能体推理 10-10 奖励建模 1 Reward Engine:面向开放式工具智能体的奖励中心自进化 10-19 奖励机制设计 1 SLCA-GRPO:纠正工具调用强化学习的跨片段信用归因 09-29 学术论文生成 1 Spark-to-Paper:以可组合技能端到端生成研究论文 08-14 安全评测 3 超越文本行为:LLM 智能体拒答迁移失效评测 10-22 OpenAI 据报因安全隐患取消发布 GPT‑6.1 Astra 09-29 AgentBoundary:工具型 LLM 智能体安全的反事实评测 09-29 工具使用训练 5 MATCH:模型感知课程调度与分层门控奖励的工具学习 09-18 面向工具调用智能体的持久教师锚定(PTA) 09-07 单策略强化学习超越树搜索的化学工具调用 09-01 MidTool:面向智能体工具使用的中期训练数据合成 08-21 Palmyra x6:基于锚定监督微调的企业级工具调用模型 08-18 工具调用 19 SYNAPSE 分域评分保护未使用工具的检索性能 10-23 强化学习训练可迁移的小模型工具选择器 10-23 WorkBuddy 接入企业微信,打通企业办公全流程 10-22 OpenVLHarness:以多模态记忆增强真实世界视觉智能体工具使用 10-21 接口漂移下的 LLM 智能体稳健函数调用 10-19 检索之前:LLM 智能体的安全与工具调用决策 10-19 ChatGPT 浏览器扩展升级:读取标签页并代办填表发信 10-18 OS-Helix:统一 GUI 交互与代码执行的原生计算机智能体 10-18 重新审视多轮工具使用中的工具图记忆 10-18 TRACER:面向智能体轨迹的工具检索 10-18 PromptArmor 解析 WebMCP 机制与主要安全风险 10-08 RECAST:通过自适应证据路由计算正确上下文 10-08 Agentic LLM 如何决定调用工具:由抑制机制塑造的工具调用向量 10-08 面向开发者的 MCP 错误消息反而更伤害高能力智能体 09-30 ReCommit:扩散引导的工具智能体分层修复搜索 09-30 PhoneCLI:将移动应用界面编译为可调用命令 09-30 小米 MiMo-V2.6 用 MOPD 低成本修复工具调用重复 09-28 Anthropic工程师称MCP集成Agent优于CLI 09-16 KOPA-Bench:韩国公共 API 多步工具调用基准与 EDGE 数据合成方法 09-07 开源框架 1 OpenAI开源Codex Harness智能体执行框架 08-21 思维链 1 通过工具调用提取并刻画前沿模型的隐藏思维链 09-23 思维链泄露 1 EchoCoT:从大推理模型中提取隐藏思维链 08-21 执行评测 1 QuoteBench:同分掩盖的命令路径故障 08-16 技术生态 2 全球下载量最高的 10 个智能体 Skill 10-25 Jev 模型功能、应用与生态系统的数据驱动分析 09-29 技能优化 3 编码智能体的自适应技能粒度:运行时路由与宏到微恢复 10-23 SkillBrowser:面向可扩展技能智能体的选择性技能暴露 10-19 WER:通过执行反馈强化学习实现技能优化 08-19 技能冲突 1 一个技能太多:编程智能体中的共安装技能冲突 10-10 技能压缩 1 工具智能体的行为定位与软技能适配 10-22 技能演化 2 VisualEvolve:视觉推理技能自进化框架 10-21 URAI:前沿智能体编写、调用并演化机器人工具 10-01 技能生成 1 Kimi 浏览器扩展将网页操作录制为可复用 Skill 09-25 拓扑蒸馏 1 DART-SD:面向钻石拓扑的多轮工具调用智能体自蒸馏 08-20 接待智能体 1 硅星人推出 Demo Agent,让 Agent 自主完成项目自荐 08-21 推理效率 2 SpecAgent:面向工具智能体的轨迹级推测与语义验证 10-18 SSR 将智能体推理改为结构化选择,延迟降低超 90% 10-18 推理评测 1 LLM 智能体能否在上下文中执行贝叶斯推断? 10-22 提示优化 3 提示词工程退潮:核心工作转向智能体 Harness 10-26 网传 GPT-6 Sol Codex 系统提示词与工具配置泄露 10-08 Claude Fable 5.1 提示与工程实践指南 09-07 提示工程 1 Agent 时代仍实用的 12 个常用 Prompt 08-22 插件开发 1 用 GLM 5.3 开发 DeepSeek Harness 插件 08-16 插件架构 4 LangChain Deep Agents 按需加载千级技能库 10-08 MCP 插件分担 Codex 规划任务并节省额度 09-17 DeepSeek Harness:全插件化 AI 编程 Agent 框架 08-21 DeepSeek Harness 开源:以插件化框架组装智能体 08-14 插件生态 1 DeepSeek Harness 插件生态爆发:长期记忆、多智能体与小游戏齐上阵 08-15 搜索能力评测 1 OpenDS-World:真实 Web 环境中的深度搜索评测 10-24 数据合成 1 ToolLoop:动态自反馈的闭环工具使用数据合成框架 09-09 数据自演化 2 EvoOntology:面向 Data Agent 的自进化语义层 10-18 EvoOntology:面向数据智能体的自演化本体层 09-15 智能体安全 1 OpenART:通过开放式环境演化扩展智能体红队测试 08-14 智能体框架 18 Microsoft 通过 Foundry 开放 Copilot Harness,支持多模型智能体开发 10-29 DeepSeek 智能体涌入 B 站评论区,引发自动互动与治理争议 10-24 Mistral 发布 Voxtral 3 语音 Agent SDK 10-22 Pi 1.0 发布 Pi Durable,引入原生 MCP 与 Code Mode 10-21 OpenGCUA:完全开放的通用计算机使用技术栈 10-18 JevAgentHarness:决策模型与 LLM 共享智能体控制 10-18 联想TianxiCode登顶SWE-bench-Live Lite榜单 10-10 Sierra 与 Meta 联合发布 Personal Agent Protocol 开放协议 10-08 OpenAI DevDay聚焦全天候智能体与开发者平台 10-01 Sarvam AI 发布第一性原理 AI 智能体构建指南 09-30 HTN 规划协调多服务器 MCP 工具编排 09-29 Policy as Code:协程桥接 Harness 提升 CAR-bench 智能体效率与可靠性 09-26 Realtime-Venus:支持前后台异步并行的9B全双工智能体 09-25 阿里发布 AI 手机全栈方案 Qwen Intelligence 09-24 纯 Go 智能体框架 Covonaut v1.1.4 发布 09-22 Theory of Agent:模型内化与 Harness 外化的能力边界 09-17 科大讯飞发布桌面 AI 生产力工作台 AStudio 09-16 DeepSeek Harness 0.1.5:适配 V4.1 Flash,增强文件与多智能体协作 09-10 智能体脚手架 1 Opus 5借助极简Harness在ARC-AGI-3取得96.2%通关率 08-14 智能体自进化 3 VeriEvolve:评估器优先的工具智能体演化框架 10-22 AnchorLoop:历史锚点驱动的工具智能体自进化训练 10-08 TimeEvo:故障驱动的时序智能体自进化 09-24 智能体规模扩展 1 Apodex 1.1:面向复杂工作的智能体能力扩展 08-25 智能体训练 3 Trajectory2Gym:面向工具使用智能体的决策驱动交互合成 10-29 OpenMobile-2:以可扩展环境与原生工具训练移动智能体 10-20 Critical-State RL:诊断多轮工具调用中的可训练状态 09-22 智能体评测 26 后悔前先备份:编程智能体备份意识评测与自动化 10-22 BizAgentBench:现实商业场景中的长时程智能体评测 10-20 DeepSeek-V4.1-Flash 登顶 Agent Arena 开源模型榜 10-20 GatewayBench:MCP 网关能力与安全统一评测平台 10-19 ToolBottleneckBench:固定脚手架预算下的工具智能体评测 10-18 AgentPerturb:受控交互扰动下的 LLM 智能体鲁棒性评测 10-18 AgenticBBO-Bench:LLM 智能体黑盒优化基准 10-09 LMBuild:评估 LLM 智能体生成可构建功能结构的能力 10-08 HyperBrowseComp:网页浏览智能体的多语言多模态压力测试 10-08 GeoNatureAgent:地理空间与环境工具智能体的预部署评测框架 10-08 DrivingBench:视觉语言模型能否驾驶真实丰田汽车 10-01 GPT-6.1 上线 Agent Arena 评测平台 09-30 APEX-Voice:全双工语音智能体专业工作流评测 09-30 PDEU-Bench:个性化工具调用智能体规划全生命周期基准 09-30 AgentPerfBench:智能体大模型推理性能评测套件 09-30 FTA:工具型语言模型故障后报告透明度评测 09-30 LLM 智能体工具模式偏差的测量与缓解 09-30 Claude Sonnet 5.5 上线 Agent Arena 与 Battle Mode 09-29 面向1.4亿用户的生产级客服智能体仿真筛选 09-25 Era by Eon:企业智能体隐性知识评测基准 09-25 MolDesignBench:面向场景化分子设计的 LLM 智能体评测 09-24 Claude Opus 5.5 上架 Agent Arena 与 Battle Mode 09-23 BI-Agent 与 BI-Bench:端到端商业智能自动化 09-22 ClawBench:真实网站任务中前沿 AI Agent 最高成功率仅 33% 09-03 ATLAS:工业工具调用智能体的双时域诊断评测 09-01 BekchiAI:一键评测、观测与控制 LLM 智能体 08-29 本地智能体 1 Meta 开源本地多模态智能体模型 Muse Glimmer 30B 08-25 框架演化 1 Procedural Graph:LLM 智能体的自进化执行结构 09-09 框架评测 1 DeepSeek + Pi:轻量 Harness 提升智能体成功率与缓存效率 08-16 检索失效 1 工具技能检索中的来源风格坍缩 08-18 模型发布 8 蚂蚁百灵开源面向 Personal Agent 的 Ling-3.1-flash-1019 10-29 蚂蚁数科发布决策模型 LingDT-Decision-1.0 10-23 DeepSeek 发布 V4.1-Flash-1017 优化版 10-19 Jev全网开放:新用户获1.2亿输入Token额度 09-22 StepAudio 3 Realtime:实时全双工语音基础模型 09-17 Agent-Native 模型 NeoHorse-1 发布,验证 RSI 双环闭环 09-13 DeepSeek Harness v0.1.0-rc.8 增强多模态与子代理能力 08-21 DeepSeek V4 Pro 正式版上线,主打 Agent 与 Coding 08-13 模型可靠性 4 通过表征工程缓解真实场景中的奖励作弊 10-22 工具调用智能体的故障检测与恢复:显性失败与静默失败 10-08 工具中介改变大语言模型的拒绝机制 09-30 JevOut:自然上下文可翻转决策模型 09-26 模型对抗 1 A2M:基于执行轨迹优化的 MCP 智能体劫持攻击 09-23 模型评测 1 工具增强模型比较中的提示敏感性 10-24 模型路由 5 OpenAI Decisions API 开放公测,决策速度最高提升 10 倍 10-08 GPT-6 Luna Decisions 上架 OpenRouter 10-08 Gavel:从冻结 LLM 中提取原生技能路由能力 09-15 Spotify 用 shunt 插件为 Claude Code 降低 90% Token 消耗 09-13 英伟达开源 Nemotron 3.5 Lightning 与 NeMo Switchyard 08-13 模型轻量化 1 封闭集决策中的联合与逐选项紧凑编码器 10-23 测试时训练 1 Agentic-TTT:学习测试时训练策略,实现自主参数级改进 10-09 游戏推理 1 工具增强的 LLM 多步演绎推理 09-17 漏洞挖掘 2 OpenAI借助GPT发现PHP高危远程代码执行漏洞 10-22 GitHub 开源 AI 安全 Agent 发现 24 个 Android 漏洞 09-29 漏洞训练 1 CyberFactory:用真实漏洞实例扩展大模型网络安全能力 08-27 灾害评测 1 EarthVerse:动态地球系统与自然灾害科学智能体基准 08-25 状态安全 1 SEAD:工具型智能体的状态化攻防框架 09-30 环境合成 6 可控环境合成揭示工具使用智能体缩放定律 10-29 WorkForge:规模化构建可验证的真实工作智能体环境 10-24 DynaWeave:动态场景合成驱动智能体环境适应 10-22 Skill2Env:面向通用智能体的能力导向环境合成 09-29 CompoWorld:面向通用智能体的组合式环境扩展 09-29 CUA-Universe:可扩展动态 GUI+CLI 混合智能体环境 09-07 用量增长 1 智能体Token用量升至人类的5.2倍 08-25 盲法评测 1 匿名模型 Ox Alpha 刷屏,代码能力逼近头部模型 08-23 知识协作 1 用 Obsidian 与 MCP 搭建团队 Agent 知识系统 08-29 科学仿真 1 KI 为科学 Agent 注入可执行常识,仿真成功率升至 84% 08-28 科研平台 2 深势科技发布玻尔·科学空间,AI接管科研全流程 08-22 ScienceDiscovery:可溯源的一站式 AI 科研工作台 08-17 科研智能体 1 浙大开源 AI 科研智能体 Polaris 08-16 科研桌面 1 玻尔·科学空间发布:桌面端 AI 接管科研全流程“体力活” 08-22 科研评测 1 ExplorationBench:在可验证异世界中评测 AI 探索能力 09-25 移动端评测 1 MobilePA-Bench:复杂真实移动任务规划智能体基准 08-26 端侧模型 1 Perplexity 推出 Windows 本地智能体 Portable Computer 09-25 策略优化 1 ReflectPO:反思引导的长程智能体策略优化 10-23 策略迭代 1 PIHF:以人类反馈将后训练强化学习引入上下文学习 08-18 系统优化 1 工具进度信号优化智能体 KV 缓存调度 09-17 红队演化 1 RedEvoAgent:经验驱动技能演化的自动红队智能体 08-28 经验学习 2 SpatialBrain:从经验中成长的空间智能框架 10-22 图表作为认知动作:经验驱动的智能体数据分析 10-22 编程工具 2 REA:用 AI 智能体编排工具链实现软件逆向工程 10-18 Anthropic 将 Workbench 升级为 Claude API Playground 09-28 置信度评估 1 Nudgeability:推理模型盲从置信信号,却无法追踪自身能力 09-30 联网工具 1 Agent-Reach:一句话部署智能体全网访问工具 08-23 脚手架优化 4 HGM-Dual:面向长程规划的谱系感知智能体脚手架优化 10-22 SearchWeaver:自动优化智能体搜索接口 10-22 STITCH:测试时组合任务专属智能体脚手架 10-01 AutoDesign:面向长程智能体设计的元脚手架优化 08-15 脚手架演化 4 ChartEvo:面向长尾图表推理的自演化智能体脚手架 10-21 DuplexAgent-RSI:全双工语音智能体的递归脚手架改进 10-10 SoL-Pi:递归扩展自动研究循环以优化智能体脚手架 09-18 StarHarness:以分层搜索演化企业智能体脚手架 08-26 脚手架蒸馏 1 Harness-Zero:通过 Agent-as-Harness 蒸馏智能体脚手架 09-22 自主智能体 1 Anthropic 发布主动式智能体 Claude Duet,由 Opus 5.5 驱动 10-22 自动化维护 1 Claude自动维护应用:388个AI PR中180个获合并 08-15 自我反思 1 Agent-Reflex:教会语言智能体进行反思性行动 10-18 蛋白质设计 1 Claude自主设计蛋白质结合剂,14个靶标实验命中 08-20 视觉推理 2 S-Agent 2.0:通用编程智能体驱动的空间推理 10-22 Urbex:城市级 3D 场景的智能体空间定位 10-18 视频生成 2 VideoGen-Agent:强化学习驱动的视频生成智能体 09-23 ElserStudio发布:本地化AI片场与免费无限画布 09-08 记忆能力评测 1 MemoryTax:智能体记忆的苦涩教训 10-22 记忆蒸馏 1 Agent Memory Distillation:用分层教师记忆增强小模型智能体 08-12 证据仲裁 1 文本与数字冲突时:大模型的证据仲裁 08-21 评测基准 1 LiveSearch:以可执行验证代码构建金融搜索智能体实时评测基准 10-29 评测基准构建 1 BTS-AgentBench:从只读遥测日志构建可复现智能体基准 08-28 评测审计 6 真实 PMID、错误论文:生物医学声明核验智能体的 Harness 设计 10-22 PROBE:学习审计工具型 LLM 智能体的策略合规性 10-18 TRACE:诊断智能体评测中的验证器脆弱性 10-09 本地工具调用评测中的服务栈混杂因素 09-23 Canonical Procedural Actions:工具智能体轨迹的可审计标注协议 09-22 MCP 智能体安全评测中的处理泄漏与构念效度 08-16 评测编排 1 HarnessEval:以可执行 Harness 重构 Benchmark 08-19 谜题评测 1 Pencil Puzzle Bench:可逐步验证的多步推理评测基准 08-14 资源调度 1 Libra:Agentic RL 后训练动态资源管理系统 08-14 轨迹推断 1 SpaCellAgent:自进化多智能体自动完成单细胞轨迹推断 08-22 过程评测 1 Annotrace:智能体轨迹步骤级标注工作台 10-19 递归调用 1 循环语言模型提升组合式工具调用能力 08-21 配置供应 1 面向关键基础设施运维的任务感知 Harness 配置 08-19 采样控制 1 先测量再分配:MCP 智能体的校准式 Rollout 预算 10-22 长期记忆 1 FRESH:面向小语言模型工具智能体的失败感知异构图记忆 09-24 长程任务执行 1 阿里开源长程智能体框架 LongHorizon-Harness 08-13 长程任务研究综述 1 长程智能体综述:Harness 工程与模型优化协同演化 08-14 长程智能体 1 英伟达 AVO 在 ARC-AGI-3 通关 183 关并获满分 08-23