今日推送

论文解读研究针对Agentic系统中用户秘密（API、消息平台、云服务）保护的严峻挑战。当代承载令牌接口通过在模型可控边界内暴露可复用秘密实现授权，导致瞬时提示注入或工具侧妥协变为持久账户威胁。提出SUDP（秘密使用委托协议），设计零信任边界机制。核心创新在于防止可复用秘密的持久化暴露风险。评分理由：标题和摘要核心直接涉及Agentic系统安全设计。

论文解读研究针对Agent基准测试的多语言适应性问题，指出现有机器翻译+有限后期编辑方法导致基准有效性破坏（查询-答案错位、文化偏离目标）。提出超越翻译的精细化适配工作流。核心创新在于针对agentic任务的特殊性设计多语言适应方法。实验验证了该方法在保持基准有效性方面的优势。评分理由：标题和摘要核心直接涉及Agent基准的多语言适应。

论文解读研究针对Agent Skills（将技能封装为可复用能力单元，包含SKILL.md、脚本、文档等）的安全审计挑战。指出现有guardrails在语义保持重写下恢复恶意意图的不一致问题。提出将预加载审计形式化为跨文件安全审查，而非单提示过滤。核心创新在于结构化审计框架和针对语义重写攻击的鲁棒评估。评分理由：标题和摘要核心直接涉及Agent Skill安全主题。

论文解读研究针对LLM Agent基准测试的元评估挑战：许多明显的agent失败实际上是基准本身的失败（规格破损、隐含假设、刚性评估脚本惩罚有效替代方法）。提出BenchGuard框架，将前沿LLM作为系统性评估基础设施审计器。核心创新在于从测试被测系统转向审计测试系统本身。评分理由：以LLM Agent基准测试为核心研究主题。

论文解读研究针对企业深度研究系统常见失败：信息覆盖不均、上下文爆炸、过早停止导致无法产生决策就绪报告。提出可扩展企业深度研究架构，包含覆盖驱动目标分解、依赖引导执行、证据感知终止等机制。核心创新在于系统化解决信息完整性和研究深度的平衡问题。评分理由：涉及Agent工作流设计和自动化研究流程。

论文解读研究针对自定义策略guardrails部署的挑战：通用安全模型无法捕获任务特定需求，提示LLM存在边界案例性能不一致和高推理成本问题。提出BARRED（边界对齐辩论）框架，通过非对称辩论训练自定义分类器。核心创新在于利用LLM辩论生成高质量标注数据，降低训练成本同时提升准确性。评分理由：以Agent安全策略为核心，涉及Agent技能的安全增强。

论文解读研究针对Web Agent面临的提示注入攻击威胁（恶意指令嵌入网页内容），特别是截图型Web Agent（基于渲染视觉网页而非结构化文本）的新型攻击面。提出SnapGuard轻量级检测方案，无需额外模型或显著延迟。核心创新在于针对视觉渲染的攻击面设计专门检测机制。实验证明能有效防御多种提示注入攻击。评分理由：明确以Web Agent安全为核心研究主题。

论文解读研究针对LLM Agent在长程任务中面临的知识状态漂移、中间承诺隐式化、中断导致证据链断裂等挑战。提出ADEMA知识状态编排架构，实现显式知识追踪和证据链维护。核心创新在于将知识状态管理从通用多智能体运行时中抽象出来，成为专门的知识综合引擎。实验验证了在复杂长程任务中的有效性。评分理由：核心研究LLM Agent和知识处理机制。

论文解读研究针对编码Agent性能的关键因素——harness（决定模型与仓库、工具、执行环境交互方式）进行自动化工程优化。提出Agentic Harness Engineering方法，解决异构动作空间、稀疏噪声评估信号、数百万token轨迹等挑战。核心创新在于建立可观测性驱动的自动演化机制。实验证明该方法显著提升编码Agent的可靠性和性能。评分理由：明确以Agent为核心研究对象，涉及Agent技能优化。

论文解读研究将递归语言模型（迭代细化潜在状态以深化推理）从单模型扩展到多智能体系统。提出RecursiveMAS框架，探索agent协作本身是否可以通过递归实现规模化。核心创新在于将迭代细化计算的原则应用于多智能体交互，为多智能体系统提供新的扩展轴。实验验证了递归协作在复杂推理任务中的有效性。评分理由：核心研究主题为多智能体Agent系统。