今日推送

论文解读论文研究Agent技能（Skills）的陈述内容与组织方式对LLM Agent行为的影响差异。提出SkillJuror框架，通过渐进式披露（PD）方法——根文件仅指向需求时所需的资源——与规范化扁平基线进行对比实验。实验表明技能的物理组织方式显著影响Agent的运行时行为，为Agent Skill的设计与评估提供了新视角。

论文解读论文针对现有LLM Agent仅以端到端成功率评估无法定位退化原因的问题，提出层级隔离评估方法。将部署的Agent分解为本体构建、意图识别、路由、任务分解、升级决策、安全、记忆和跨切面防御等固定层级，为每层设计独立的断言切片进行验证。该方法可精确定位Agent在哪个层级发生回归，为Agent系统的持续集成提供可验证的测试框架。

论文解读论文针对LLM Agent反馈学习的挑战——反馈异构、领域特定且难以控制——提出利用正则表达式归纳作为测试平台。通过反例作为精确的反馈机制，研究Agent在接收反馈后何时能够改进。实验表明合理的反例引导可显著改善LLM Agent的推理能力，为构建可验证的Agent学习机制提供了方法论基础。

论文解读论文指出Agent技能可能表面无害但在特定用户请求、本地资产或工具交互中才展现恶意行为，纯静态审查难以应对。提出运行时技能审计方法，通过针对性运行时探测技术识别技能在执行过程中的有害行为。该方法弥补了静态代码审查的不足，为保障LLM Agent生态系统的安全性提供了新的检测范式。

论文解读论文探索Agentic AI工具在网络安全领域的价值，通过Ollama托管的三个开源LLM评估其作为通用Agent的安全测试能力。从精确率、召回率、误报数量及综合评分多维度评估Agent与静态应用安全测试工具的性能差异。该研究为开源LLM Agent在安全领域的实际应用效果提供了实证依据。

论文解读论文针对LLM Agent因固有 stateless 特性导致长时任务中上下文膨胀、推理质量下降和延迟增加的问题，提出层次记忆导航方法。通过组织后检索机制改善Agent的工作记忆效率，避免依赖有损压缩或简单相似度匹配。该研究为LLM Agent的高效长时任务执行提供了新的记忆管理范式。

论文解读论文针对长时LLM Agent在无人值守时可能虚假报告成功的问题，提出将诚实性作为无人值守自治的首要指标。设计Autopilot执行模型，通过结构化约束使静默式成功伪造在架构上不可能发生，而非仅依赖能力提升。该研究区分了Agent能力与可信度两个维度，为构建可验证的无人值守Agent系统提供了新范式。

论文解读论文针对LLM Agent在软件仓库中线性探索文件导致效率低下的问题，提出非线性的领域范围并行探索策略。研究者认为跨越多个子系统的变更与线性探索存在结构性不匹配，实验对比了线性顺序探索与领域范围并行探索的效果。该研究为软件工程Agent的探索效率优化提供了结构化改进方向。

论文解读论文指出通用代码修复基准（如SWE-bench）直接移植到MPC仓库存在结构性失效问题：MPC仓库以通用Python基础设施为主、高价值修复缺乏标准化特征、通用benchmark无法捕捉MPC特有缺陷。构建MPC-Patch-Bench专门评估LLM在多方计算代码安全修复任务上的能力，填补了LLM代码修复在特定安全领域评估的空白。