| 📄 arXiv 论文 | 📕 小红书笔记 |
|---|---|
|
2026-04-22
💡 一句话总结
提出SkillLearnBench基准，用于评估代理技能持续学习方法在真实任务上的表现
📋 详细解读论文解读该论文引入首个评估代理技能持续学习方法的基准测试平台。包含20个经验证的技能依赖任务，涵盖15个子领域，从真实世界任务中提取。核心贡献在于提供标准化评估环境，系统比较不同持续学习方法在技能自动获取和适应方面的效能，为技能学习研究提供关键评估资源。
|
❤️ 166
💡 内容总结
ICLR 2026 Spotlight论文：ParallelResearch用树状结构建模将Deep Research Agent效率提升5倍
|
|
2026-04-22
💡 一句话总结
提出EvoAgent可进化框架，融合结构化技能学习与层级子代理委托机制
📋 详细解读论文解读EvoAgent是一个可进化的大语言模型代理框架，核心创新在于将技能建模为配备触发机制和进化元数据的多文件结构化能力单元。通过用户反馈驱动的闭环优化实现持续技能生成和优化，结合层级子代理委托机制提升任务分解效率。实验表明该框架能有效实现技能的自动进化和复用。
|
|
|
2026-04-22
💡 一句话总结
提出医学研究代理技能的专用审计框架，评估科学完整性、方法有效性和边界安全性
📋 详细解读论文解读该论文开发了针对医疗研究代理技能（Agent Skills）的领域特定审计框架。核心创新在于超越通用评估，聚焦科学完整性、方法学有效性、可复现性和边界安全性四个维度。通过初步评估验证了框架在检测代理技能缺陷方面的有效性，为医疗AI代理的可靠部署提供质量保障机制。
|
|
|
2026-04-22
💡 一句话总结
提出用于边缘机器人的LLM引导安全代理，基于ISO合规架构实现自然语言安全规则转化
📋 详细解读论文解读该论文为边缘机器人安全控制提出LLM引导的安全代理方案。核心创新在于将自然语言安全规范转换为可执行谓词，建立ISO合规的低延迟感知-计算-控制架构。针对AI感知概率性与工业标准确定性要求间的矛盾，通过LLM实现语义理解和安全推理的结合，提升人机交互场景下的功能安全保障。
|
|
|
2026-04-22
💡 一句话总结
提出AgentLens框架，为移动GUI代理提供自适应视觉模态以优化人机交互
📋 详细解读论文解读AgentLens针对移动GUI代理的通信问题，提出自适应视觉模态框架。核心创新在于超越前台执行（最大透明但阻止多任务）和后台执行（支持多任务但视觉意识弱）的二元选择。通过迭代设计开发中间态交互模式，在透明度和多任务能力间实现平衡，显著提升用户体验和代理执行效率。
|
|
|
2026-04-22
💡 一句话总结
提出受生物学启发的代理记忆选择性遗忘框架，提升资源受限环境下的效率
📋 详细解读论文解读FSFM框架受人类认知过程启发，针对LLM代理的记忆管理问题。核心创新在于提出选择性遗忘机制，借鉴海马体索引/整合理论和艾宾浩斯遗忘曲线。与聚焦于记忆保留的研究相反，该框架强调在资源受限环境中精心设计的遗忘机制与记忆同样重要，为代理的效率和安全性提供新的优化方向。
|
|
|
2026-04-22
💡 一句话总结
提出经验驱动终身代理的主动检索机制，按需从记忆和技能中获取知识
📋 详细解读论文解读针对现有方法被动检索的局限，提出主动检索框架，使代理能在交互过程中主动识别知识缺口并按需获取。核心创新在于超越任务初始化或步骤完成后的触发模式，实现交互中的动态知识获取。结合记忆和技能两个维度的检索，提升终身代理在长时域任务上的持续学习和适应能力。
|
|
|
2026-04-22
💡 一句话总结
提出Chorus代理框架，利用行为一致角色编排生成逼真的协商数据
📋 详细解读论文解读Chorus是一个代理框架，通过协调具有行为一致性的LLM驱动角色来生成大规模协商数据。核心创新在于解决在线话语数据稀缺问题，通过角色扮演生成多样化、高质量的协商数据。框架支持交互式网络平台的协商动态研究，为社交AI和话语分析提供数据支撑。
|
|
|
2026-04-22
💡 一句话总结
提出多代理系统的自改进框架，通过文本参数图优化实现代理工程的自动化
📋 详细解读论文解读该论文针对多代理系统设计和优化的复杂性，提出基于文本参数图优化的自改进框架。核心创新在于突破传统扁平化提示调优的局限，通过结构化感知理解代理交互网络，并让优化器从经验中学习改进策略。实验验证了框架在提升代理系统性能和自适应优化能力方面的有效性。
|
|
|
2026-04-22
💡 一句话总结
提出补充生成训练策略，通过训练小型LLM生成任务特定补充模块来提升代理性能
📋 详细解读论文解读针对代理任务训练的计算成本高、迭代周期长问题，提出补充生成训练（SGT）方法。核心创新在于训练小型LLM为特定任务或领域生成补充模块，而非对大规模基础模型进行后训练。实验表明该策略能显著降低计算成本，同时保持任务适应性能，为代理能力的可持续扩展提供高效路径。
|