跳到主要内容
检索

# 大语言模型智能体工作流

12 篇关联报道

订阅更新
  1. researchsquare.com

    测试用例不再逐条手写:五个智能体分工自审,跨五个数据集变异得分均值93.4%

    软件测试用例设计长期依赖人工,而把生成当作一次性文本翻译的模型难以处理多层业务规则。一个由解析、分诊、架构、编写、审计五个角色组成的智能体流水线,把测试生成改成带状态的推理流程,审计角色在输出前反复修正脚本。在旅行、电信、金融监管与政府岗位匹配五个数据集上,该流水线的变异得分均值为93.4%,幻觉率1.4%,冗余率7.8%,但平均生成时间达21.2小时。

  2. researchsquare.com

    金属打印设计不再只靠人工判读:智能体改设计也改评估流程,热峰值降160°C

    面向激光粉末床熔融的设计评估不再只由工程师在预设规则与仿真工具之间手工搬运。AgenticDfAM 让语言模型智能体负责解读制造指南、选择工具和提出改设计,几何测量与数值比较交给可执行工具完成。在四个算例上,三种改设计策略清除了分析件的全部参考违规,热反馈把支架预测层尺度峰值温度降低 160 °C,支撑构造代码经智能体诊断修正后在四个取向上复用。

  3. Claude平台开放OpenTelemetry导出:Messages请求与托管智能体会话可接入自家可观测后端

    Claude平台把Messages API请求和Claude Managed Agents会话的追踪数据以OpenTelemetry span形式导出,开发者可在自己的可观测后端里查看这些调用。

  4. arXiv

    SkillMorph 用轨迹引导的故障定位演化智能体技能,在 SWE-Skills-Bench 上把 pass3 从 67.96% 提升到 88.37%

    该工作提出 SkillMorph,一种基于轨迹引导故障定位的技能演化方法:它先把原始轨迹抽象为状态转移序列,跨重复执行、演化轮次与任务聚合失败与成功覆盖证据以识别可疑动作,再把可疑动作回溯到可能跨多个技能与文件的编辑位置并生成修订;在 SWE-Skills-Bench 与 CannBot 上,演化后的技能在 pass@3、trial 级准确率与 pass3 上均高于原始技能与四种已有技能演化方法,并在 AI 算子开发团队中产生 6 个被接受的技能修订 PR。

  5. arXiv

    APEX 把间接提示注入防御移到执行边界:六个基准中五个攻击成功率降至 0%,第六个为 0.56%

    该工作提出 APEX,把间接提示注入防御从识别攻击模式转为在执行边界检查每个拟执行效果:执行前把用户授权编译为一份授权契约,WRAP 依据契约与运行时证据只放行可重建授权的效果,PLANT 在契约认可的依赖上放置探针使未被认可的信息使用在提交前自我暴露;在六个基准、13 个基线上,APEX 在五个基准达到 0% 攻击成功率、第六个为 0.56%,并在三类能力单元的三种自适应攻击下保持 0%。

  6. arXiv

    PLUTO 用智能体 AI 把自然语言交会任务转成 SCP 约束,50 条提示全部生成轨迹、94% 通过任务意图验证

    该工作提出 PLUTO,一个把智能体 AI 编码工具嵌入序列凸规划(SCP)架构的交互式轨迹设计框架,将自然语言交会任务需求映射为结构化数学约束,经自动凸化管线并入可执行最优控制问题;在覆盖 10 类约束的 50 条自然语言交会任务提示评测中,PLUTO 为每条提示都生成了轨迹,94% 的轨迹同时满足数值约束检查与原始任务意图的语义一致性。

  7. arXiv

    EvoCast以认知-权限分离实现自主预测架构演化,在三个真实预测任务上取得最低MSE并降低智能体侧成本

    EvoCast是一个全自主研究智能体系统,用于迭代式时间序列预测架构演化:它先建立并诊断任务专属基线,再依据数据集特征、诊断结果、历史轮次与失败记录生成有证据支撑的研究方向,由LLM智能体负责假设生成与代码实现,由确定性程序权威控制源码编辑边界、规范评估与模型晋升;在30个仓库级实现任务上成功率达96.7%,并在空气质量、墨尔本行人T33与钢铁工业三个真实预测案例中取得最低MSE,同时相比R&D-Agent降低token与API成本。

  8. arXiv

    SHarP 用单模块消融的显著性剪枝智能体 harness:四个 harness 在性能相当下至少降低 10% token 成本,OpenHands 在 GAIA 上从 29.44% 升至 35.00%

    该工作提出 SHarP,把智能体 harness 中的工具、指令与支撑机制视为可单独禁用的模块,用单模块消融估计每个模块对任务性能与 token 成本的显著性,再按效率导向或性能导向规则剪枝;在 OpenHands/GAIA、PaperQA2/LitQA2、LIFE-harness 的 airline 与 retail、JIT agentfold/DeepPlanning-Shopping 五个设置上,剪枝后多数配置保持相近性能,四个 harness 均实现至少 10% 的 token 成本下降,其中两个在降本同时提升任务表现。

  9. arXiv

    Foresight 让冻结的 Qwen3-VL-8B 在流式视频中自行规划未来感知,OmniPro Online 联合 F1 达 23.0,超过最强训练基线 9.5%

    作者提出 Foresight:一种免训练的双流架构,用两个共享权重、输入编码器与 KV 缓存的 Siamese LLM,让一个副本持续摄取视频流、另一个副本提前读取同一因果状态并生成计划,决定何时再推理、届时检查什么、以及其间采样多密;在冻结的 Qwen3-VL-8B 上,OmniPro Online 平均联合 F1 达 23.0(最强训练基线 MiniCPM-o 4.5 为 13.5),StreamingBench 提升骨干 6.7 分并取得最优总体成绩,OVO-Bench 提升 15.4 分,其中证据在视频后段才出现的 Forward Active Responding 提升最大,为 18.7 分。

  10. arXiv

    CRAFT 用模板感知的反思与局部修复做表格填表,在 FormFillBench 上把配对准确率提升 8.51 与 23.38 个百分点

    作者提出 CRAFT,一个模板感知的智能体表格填表框架:它把反思式校验与受限局部修复相连,先定位可疑区域、必要时恢复被覆盖的模板内容,再用矩形感知槽位定位器(RASG)重新定位可写单元格,并以标签—槽位提示和保护区域约束后续编辑;同时发布含 327 份表单、分 Instruction-Only 与 Multi-File 两条赛道的 FormFillBench,CRAFT 相对最强基线在两条赛道上分别把配对准确率提升 8.51 和 23.38 个百分点,组件移除实验支持结构裁决与槽位重定位的作用,换用第二个骨干模型后仍保持相对优势。