今日推送

论文解读针对软件工程LLM Agent技能包的手动调优困境，提出Multi-Objective Optimization框架自动化优化技能bundle。研究问题是如何同时优化多个冲突目标（成功率、成本、运行时）。核心创新包括LLM-proposed edits生成候选技能变体，以及NSGA-II survivor selection进行多目标筛选。实验表明该方法能在软件工程任务中自动发现性能更优的技能组合。

论文解读研究针对AI Agent生态系统中安装式技能(Agent Skills)的供应链安全威胁。提出BadSkill后门攻击方法，通过在技能打包的模型文件中植入恶意行为，而非传统的提示注入或插件滥用。核心创新在于攻击者可伪装成良性第三方技能提供者，在技能模型中隐藏触发器。实验验证该攻击在多种场景下有效，需引起Agent平台安全重视。

论文解读针对当前LLM-based Agent在跨任务边界无法积累经验或优化策略的局限，提出Self-Evolving Agent的形式化定义。核心创新包括基于数字具身和持续学习的SEA形式化框架，以及相应的评估基准。实验表明现有Agent在持续学习和跨任务优化方面存在显著不足，为Agent能力发展提供新评估标准。

论文解读解决视觉-语言模型在图像地理定位中缺乏结构化地理推理和自进化能力的问题。现有方法依赖隐式参数记忆，存在知识过时和幻觉推理问题，且推理是“一次性”缺乏反馈。核心创新在于引入Skill-Conditioned机制，使VLM能够基于技能进行推理并通过反馈实现自我改进。实验验证该方法显著提升定位准确性和地理推理结构化程度。

论文解读研究预测性多语言评估问题：当缺乏目标语言直接基准结果时，估计模型在该语言上的表现。核心创新在于提出跨语言性能预测框架，基于有限评估数据推断模型在目标语言任务上的表现。构建1500问题6任务基准实验验证，发现当前LLM在低资源语言上的性能难以准确预测，为多语言部署提供新评估范式。

论文解读针对VLM驱动的GUI Agent从被动辅助向自主操作转变带来的安全和隐私风险。现有保障依赖提示工程和启发式方法，缺乏形式化验证和用户可调保证。核心创新在于应用共形预测理论，提供可证明安全风险控制和用户可调节保障机制。实验表明该方法在保持Agent执行效率的同时，显著降低用户面临的财务和隐私风险。

论文解读针对深度研究Agent日益增长的需求与孤立评估的矛盾，提出可生成需同时具备浏览和多步计算能力问题的合成基准。核心创新包括四标准：可验证性（黄金答案由执行计算）、组合性（多步骤）、多智能体交互、多模态。实验验证该基准能有效揭示当前Agent在知识密集推理和多步骤问题解决中的真实能力边界。

论文解读针对客户服务场景LLM Agent评估挑战，现有基准依赖静态范式和单一维度指标。核心创新在于提出Service Agent Graph-guided Evaluation框架，考虑多样化用户行为和SOP合规性。实验构建真实客户服务评估环境，发现当前LLM Agent在处理异常用户行为和严格SOP遵循方面存在显著不足，为客服自动化提供新评估标准。

论文解读针对前沿编码Agent在完整上下文下表现优异但规格不完整时崩溃的问题，提出Human-in-the-Loop Benchmark。核心创新在于评估Agent的“判断力”而非仅执行正确性——即何时应自主行动、何时应寻求帮助。当前基准忽视此失败模式。实验发现当前Agent普遍缺乏自知之明，需要更复杂的不确定性估计和帮助请求机制。

论文解读研究大语言模型Agent接收来自系统消息、用户提示、工具输出等多源指令时的冲突问题。核心挑战是模型需可靠遵循最高权限指令以保证安全有效。创新点在于提出Many-Tier Instruction Hierarchy框架，超越传统固定小规模权限级别模型，实现动态多层级指令冲突解决。实验验证该方法显著提升Agent在复杂指令环境中的安全性和可靠性。