并非所有记忆都等价：面向大模型智能体的分层协作记忆检索机制
在多智能体团队协作场景中，记忆具有异质性且持续动态演进。现有记忆增强系统通常将记忆扁平化存储，仅根据语义相似度或时间排序，导致检索到语义相关但已失效或冲突的过时信息。该论文提出一种分层协作记忆架构，区分团队集体共识与个体执行轨迹，建模记忆的层级结构与时效有效性，从而提升多智能体协作中的检索准确性与决策一致性。
DC AI 热点
全部 AI 动态
9月28日2026-09-28
生产环境Text-to-SQL流水线中LLM作为评判者的失效审计与修复
该研究针对生产级Text-to-SQL流水线中普遍采用但未经严格验证的“LLM-as-a-judge”（大模型充当裁判）机制展开审计。实验发现，部署的gpt-4o-mini评判器与人工标注一致性极低（Cohen's kappa仅0.04至0.42），误将77.1%忠实于意图的SQL过度判定为错误，主要归因于“评分幻觉”（GRADE-HALLUCINATION）。研究通过部署自建的Qwen模型替代，将一致性提升至0.72，媲美Claude顶配模型水平。
Cartograph：面向 AI 智能体的联邦化 MCP 工具检索与发现架构
随着模型上下文协议（MCP）生态的发展，智能体接入的工具目录日益庞大，全量加载工具定义导致上下文成本剧增。研究人员提出了联邦化 MCP 代理 Cartograph，将工具发现复杂度从 O(n) 遍历降低至 O(k) 渐进式展示。该系统结合了运营商签名的能力卡片（防止发布方恶意伪造描述）以及基于密度聚类和查询边界分析的 Rift 易混淆工具聚类算法，在保障安全的同时提升了检索效率。
SlideLab：基于多智能体的学术论文幻灯片自动生成框架
该论文提出了 SlideLab，一个无需训练的多智能体框架，旨在将科学研究论文自动转化为以受众为中心的学术演示幻灯片。SlideLab 首先规划演讲叙事逻辑，随后利用分别负责内容规划、视觉生成、版面微调以及溯源验证的多个智能体协同构建并迭代优化幻灯片。盲测人工评估表明，SlideLab 在生成学术演讲幻灯片的质量上表现优异。
SignTrace：基于自然语言动作描述的中国手语反向查词系统
针对手语学习者“记得手势动作却不知含义”的反向查词难题，研究者提出了 SignTrace 系统。该系统面向包含 6699 个词条的中国手语词典，结合大语言模型进行词典信息丰富化、动作特征抽取与词典风格重写，并通过七通道检索与候选重排机制实现自然语言查词。系统已开展小规模用户试用，并在 500 个动作描述查询的评测集上验证了有效性。
Spotify公布对话式推荐Agent冷启动方案：基于合成数据与自我改进循环
Spotify团队在arXiv上发表论文，针对对话式推荐智能体在冷启动阶段缺乏真实用户交互数据的问题，提出了一套多轮合成数据生成流水线与自我改进循环机制。该方案重点优化Agent的规划能力（即如何选择、排序和调用工具），通过将单轮指令转化为多轮对话数据，实现Agent在复杂意图理解与推荐工具链调用上的自主演进。
Inquesto Score：针对语音智能体可靠性的全新评估协议
随着语音智能体被广泛部署在涉及交易和关键访问权限的高风险工作流中，行业对可复现、可解释的评估体系需求日益迫切。论文提出了 Inquesto Score（IS）评估协议，用于衡量语音智能体在固定测试集下的可靠性，即在不发生功能性故障或更严重错误的前提下达成呼叫者目标的通话比例。该协议定义了显式故障事件、严重性等级及管道时序故障评测标准。
REALMS：基于大模型的高维画像实时精准受众规模估算对话系统
该研究提出了 REALMS（基于大模型的多属性搜索实时精准受众测算系统），旨在解决数字营销领域中高维嵌套用户画像测算延迟高、估算误差大以及扩展性差等瓶颈。REALMS 结合 LLM 的对话交互与多属性检索能力，已在企业级客户数据平台（CDP）生产环境中落地部署，支持营销人员通过自然语言交互实时、精准地查询海量用户画像库并计算目标人群规模。
MemProbe：借鉴认知科学实验范式探究智能体记忆的稳定性与可塑性权衡
当前智能体记忆系统的评测往往过于简化为最终回答的准确率，忽视了记忆动态演化的过程。最新研究引入了受认知科学启发的评估框架 MemProbe，旨在诊断智能体记忆中“稳定性与可塑性”的权衡问题。该框架基于认知记忆的重构性特征，结合干扰、信息可靠度、强化与再激活机制，设计了四大可复用的实验范式，为长周期智能体记忆的精准评测与优化提供了新工具。
搜索之后才是难点：全新基准 KNOWS 评估网页智能体的知识综合与呈现能力
现有计算机操作类智能体评测大多局限于信息检索，未能全面评估其实际作为助手的综合能力。针对这一痛点，研究团队推出了全新评测基准 KNOWS，聚焦于开放式、复杂的浏览器端多步工作流。该基准重点评估智能体在跨界面检索后，进行任务拆解、复杂推理、视觉与空间理解，并将多源知识综合整理为文档、演示文稿或表格等高质量交付物的综合能力。
ToolSearcher：利用强化学习优化大规模智能体工具选择
针对大语言模型在海量工具库中难以高效检索与组合工具的瓶颈，研究团队提出了 ToolSearcher。现有工具学习往往局限于预定义的小型工具集，而在真实场景下面对庞大工具库时，模型常受限于上下文长度与区分能力。该研究探讨了通过强化学习来优化大规模工具选择机制，从而提升 AI 智能体在复杂环境中的工具检索、辨析与调用能力。
9月25日2026-09-25
被说服而非被告知：利益冲突陈述导致大模型智能体上下文锚定失效
该研究揭示了大语言模型智能体在处理客户关系管理（CRM）记录时的一种新型失效模式：上下文锚定易受利益相关方偏见误导。在销售线索资质审核等业务中，当输入上下文中包含具有主观乐观动机的销售代表断言时，模型往往会将其视为客观证据采纳，进而批准企业客观记录原本判定为不合格的交易。基于CRMArena-Pro基准的测试表明，即便采用更强大的模型，也难以有效规避这种将说服性言辞误当事实的缺陷。
用于提取西班牙语中英语借词的开源 Python 工具包 pylazaro
词汇借用是词典编纂和语料库语言学等数据密集型领域的重要研究课题，但现有标准文本处理工具库普遍缺乏该功能。本文推出了开源 Python 软件包 pylazaro，专注于从西班牙语文本中自动提取未同化的词汇借词（主要是英语借词）。该工具包整合了基于不同算法库训练的五个序列标注模型，并提供统一的调用接口，方便研究人员开展针对性的外来词检测与文本挖掘任务。
从政策文档到结构化调查响应：评估大语言模型在政策监测中的应用
科技与创新政策对国家竞争力至关重要，但其多样性与庞大规模使得系统化监测变得极其困难，传统人工调查成本高昂且难以跨国扩展。本研究探索了利用大语言模型从非结构化长政策文本中提取信息的能力，提出将大模型作为“AI受访者”以生成结构化调查响应。研究团队开发了基于长上下文的数据提取流程，用于自动化政策分析与追踪，显著降低了人工监测成本。
Agentic-GER：利用全局上下文实现长语音专业术语纠错的LLM智能体
针对自动语音识别（ASR）在处理长音频时难以准确、一致转录专业术语的问题，研究人员提出了基于大语言模型的智能体 Agentic-GER。该系统利用完整转录文本的全局上下文与世界知识，识别可疑术语并化解歧义假设；同时通过选择性重新转录原始语音来核验候选修正结果，显著提升了长语音中领域专业术语的识别准确率与一致性。
IterSynth：通过角色解耦与迭代合成重构深度搜索智能体
深度搜索要求大语言模型智能体分解复杂查询、检索证据并合成可靠答案。然而现有的 ReAct 架构智能体存在角色耦合（单策略兼顾规划、证据利用与合成）以及搜索历史累积导致上下文噪声增加的问题。为此，研究团队提出 IterSynth 范式，通过角色解耦与基于摘要的状态演进机制，在负责识别信息需求的规划器与负责整合证据的合成器之间交替执行，有效改善了深度搜索智能体的长程推理与信息合成能力。
9月24日2026-09-24
利用跨LLM分歧引导专家参与：大规模数据标注编码本的高效修订方法
针对大规模文本标注中编码规范（Codebook）构建耗时漫长的问题，该研究提出利用大语言模型（LLM）加速这一流程。方法通过在早期将编码本应用于数据，筛选出多个LLM之间存在显著分歧的疑难样本，从而精准引导专家介入并提供针对性反馈。研究探讨了多种专家反馈形式，包括直接编辑由跨模型分歧驱动生成的修改方案，以及解答模型争议问题等，有效提升了人机协同标注与规范迭代的效率。
句子级法律解释准则分类：基于德国联邦宪法法院判决的评测基准
针对大语言模型在司法推理分析中的难点，该研究提出了一个句子级基准，用于评估大模型分类法律解释准则的能力。研究基于传统法学解释理论构建了分类标准，发布了经过句子级人工标注的德国联邦宪法法院判决数据集，并在专家手写提示词设定下，对来自三个模型家族的四款大语言模型进行了基线性能评测。
LEGO：融合专家GraphRAG与思维链的法律推理框架
针对大语言模型在复杂法律推理中面临的结构性挑战，研究人员提出了LEGO框架。传统RAG及GraphRAG往往侧重词汇或语义相似度，忽略了法律条文间的规范关系；而普通思维链提示易生成缺乏法律规范结构的推导过程。LEGO采用双模块架构，将法律专家GraphRAG与专家级思维链相结合，有效规范了法律条文检索与逻辑推理链路，旨在突破高风险法律领域的推理瓶颈。
EduBehaviors：面向教育对话可审计标注的断言架构框架
大语言模型已被广泛应用于教育对话数据的教学构念标注与分类，但其黑盒推理特性导致难以验证模型对具体话语分类的机理依据。为此，研究团队提出了 EduBehaviors 框架。该框架是一种可解释且具扩展性的教育数据标注方案，通过利用大语言模型量化与多种构念相关的可观测重复行为，进而训练下游分类器，实现标注过程的可追溯与审计（原摘要结尾略有截断）。
UniDataAgent：基于本体的企业级自动化数据分析智能体
针对企业数据智能体需准确保留业务特定语义的需求，研究人员提出了面向自动化“问题到报告”分析的本体驱动系统 UniDataAgent。该系统将语义获取与在线执行解耦，主要包含两个阶段：本体获取与验证阶段（OAV）利用元数据与业务知识构建版本化的企业本体，并经专家评估验证；执行阶段（QRE）则负责具体任务的检索与生成。输入摘要在执行阶段细节处存在文本截断。
单模型能否搞定一切？面向智能客服的大语言模型微调策略选择研究
本文探讨了生产级智能客服系统中的核心部署问题：针对意图分类、问答、摘要和工具调用等多项技能，究竟应采用多个专用模型，还是通过多任务微调、连续更新或模型合并训练单一模型。研究团队基于 Qwen、Gemma、Llama 和 Mistral 等 5 个模型家族的 13 款模型（涵盖 0.6B 至 32B 参数），在 4 个公开及 4 个专有客服数据集上展开了系统性评测与策略比较。
引导与动作的相互强化：多模态网页智能体离线评测基准 WebMRE
针对网页智能体在实时环境中评估存在状态漂移、难以稳定复现和开展可控训练研究的痛点，研究团队提出了离线评估基准 WebMRE。该基准基于 WebArena 的成功轨迹构建，包含 541 个任务和 5,293 个步骤，配备经过全面审计的测试标签和确定性评估协议，无需运行环境即可确保同一检查点在多次运行中输出一致评分。每个步骤将人类指导语句与具体动作配对，首次实现了对引导与动作相互强化机制的离线研究。
基于混合RAG与本地大模型的处理活动记录（RoPA）自动化提取系统
针对越南《个人数据保护法》等法规对机构维护数据处理活动记录（RoPA）的要求，人工准备耗时且云端大模型存在数据主权合规风险。研究团队提出了 RoPA Manager 系统，通过结合基于 tsvector 的词法检索、稠密向量检索以及倒数排名融合（RRF）的混合 RAG 技术，并采用本地部署的大语言模型，实现 RoPA 信息的自动化提取，以兼顾自动化效率与数据主权需求。
越南劳动法跨语言法律问答：检索、翻译与验证器引导修正
针对跨语言法律问答中跨语言法条检索及避免无依据主张的挑战，研究者推出了基于越南劳动法的双语评估基准，包含231个越英问答对，其中75个针对五类法律推理现象进行了额外标注。研究评估了一种验证器引导的流程，该流程将答案拆解为主张，检测引用可达性与蕴含关系，并纠正引用失效及事实矛盾。此外，该研究还提出了六种用于评估检索证据忠实度的自动化诊断指标。
EviStreams：面向医学系统评价的人机协同 AI 数据提取平台
针对医学系统评价中数据提取高度依赖人工且必须遵循严格协议与可审计要求的痛点，研究团队推出了开源、无代码的 Web 平台 EviStreams。该平台引入人在回路的大语言模型辅助机制，不仅契合双人独立提取、裁决仲裁的标准审查流程，还能记录完整的数据生成审计日志，使科研团队在关键阶段自主把控 AI 提取过程，显著缓解临床指南研制中的专家人力瓶颈。