今日推送

论文解读论文指出传统Agent基准将资源使用作为辅助统计，而实际部署中动作选择本身就是任务核心。EcoAgent-Bench为304个任务设定定价动作和明确预算，要求Agent在约束内优化决策。核心创新在于将经济决策能力与任务完成能力同等评估，覆盖本地查询、广泛搜索、复合研究工具、更强模型和人工升级等多种选择。实验揭示了现有Agent在资源效率上的显著差异，为真实场景部署提供了更实用的评估框架。

论文解读论文针对长时域Agent任务评估的难题，提出SkillTV-Bench基准。与传统关注最终结果评分不同，该基准专注于验证完整执行过程，特别是技能增强型Agent中编码的程序性知识。核心创新在于要求评判者具备理解任务时技能的能力，能识别关键证据和任务关键性失败。实验表明现有评判者在这一维度表现不佳，为未来Agent评估提供了新的方向和标准。

论文解读论文针对LLM Agent调用外部工具时可能产生不安全行为的问题，提出DreamGuard框架。该框架通过构建风险感知的世界模型，在动作执行前进行主动安全检查，而非被动响应。核心创新在于将安全评估从反应式转变为主动预防式，能够预测潜在风险并防止对外部状态、用户数据和下游服务造成不可逆损害。实验表明该方法能有效降低安全风险同时保持较低的计算开销。

论文解读论文针对长期LLM Agent依赖外部执行支持的需求，提出EvoHarness-RL框架。该框架通过自演化方式学习如何维护状态、跟踪进度、调用工具、验证结果和重用经验。核心创新在于同时解决两个耦合挑战：从噪声交互痕迹中形成状态，以及运行时控制外部状态访问。实验表明该方法能显著提升Agent在长时域任务中的连贯性和效率，为构建更自主的Agent系统提供了新的运行时架构。

论文解读研究发现了自演化Agent技能获取中的反直觉现象：技能池超过临界规模后，新增技能反而导致性能下降。论文将这一现象形式化为能力污染相变，并追溯其结构性原因——缺陷技能进入决策上下文后会持续污染推理过程。核心创新在于提出Pre-Commit Gating机制，在技能进入决策前进行预检验，防止污染扩散。实验验证了相变的存在及 gating 策略的有效性，为构建更稳健的自演化系统提供了理论基础。

论文解读论文针对Agent修复失败时丢弃成功修正的问题，提出MERIT训练无关Agent。核心方法是维护在线双极性记忆，同时记录经验证的成功修正和观察到的失败方向。核心创新在于无需参数更新即可利用历史修复经验，在Text-to-SQL任务中显著提升后续episode的成功率。实验表明这种轻量级记忆机制能有效避免重复试错，为参数高效的学习提供了新思路。

论文解读论文指出现有自动化技能演化方法存在局部更新忽视技能关系、易产生过拟合更新的问题。GSE提出全局化技能演化框架，将技能关系纳入优化目标，确保新技能能泛化到不同任务。核心创新在于联合考虑技能间的依赖和冲突关系，而非孤立地优化单个技能。实验表明GSE产生的技能更新在跨任务泛化上显著优于局部方法，为Coding Agent持续改进提供了更系统的技能管理方案。

论文解读论文针对LLM Agent训练依赖真实或合成环境的成本问题，提出EnvACE方法。该方法用世界排练替代训练期间与外部环境的交互，通过内部化环境动态进行强化学习。核心创新在于解决了外部模拟器难以落地的难题，同时避免了构建和验证可执行环境的高成本。实验表明EnvACE能在多种工具使用任务中达到与真实环境交互相当的效果，显著降低了训练开销。