一个8B参数的小模型，在模拟环境里"打怪升级"之后，搬到真实世界居然还能稳定输出——这背后的工程设计和学术思路，比结果本身更值得细品。

AgentSwing：长时Web Agent上下文管理的自适应路由方法 本文针对长时Web Agent在复杂搜索任务中面临的"上下文腐烂"问题，提出了一种创新的自适应路由方案。传统方法如保留最近N轮、摘要压缩或全部丢弃等静态策略，在效率和精度之间存在固有矛盾。AgentSwing通过并行执行多种上下文管理策略，并前瞻性地评估各分支的未来表现，实现了动态最优策略选择。实验表明，该

AggAgent：智能体聚合新范式 Princeton团队提出AggAgent，解决智能体并行任务中的聚合难题。传统方法如投票或轨迹压缩存在信息丢失或成本过高问题。AggAgent创新地将并行轨迹视为"环境"，配备4个轻量工具让聚合Agent按需检索和交叉验证信息。实验显示，在6个基准任务上，AggAgent平均提升2.4-5.3个点，深度研究任务提升达10.3点，且仅增加5.

GAIR-NLP团队投入147万美元构建了OpenSWE——目前最大的开源软件工程智能体训练框架。该框架包含45,320个可执行的Docker环境，覆盖12,800个代码仓库，所有基础设施完全开源。OpenSWE解决了构建SWE训练环境的四大挑战：依赖管理、测试验证、任务对齐和难度控制，通过多智能体协作流水线实现高质量环境构建。基于该框架训练的OpenSWE-72B模型在权威基准SWE-bench

腾讯团队发布AD-Bench基准测试，评估LLM Agent在真实广告投放分析场景中的表现。该基准包含823条真实广告优化师查询，按复杂度分为三级（L1简单检索至L3综合分析）。创新性地采用"轨迹感知评估"，不仅看结果准确性，还考察工具调用路径合理性。测试10个主流模型发现：GPT-5.1以69%得分最高，国产模型混元2.0和DeepSeek-V3达62%与Gemini-3-P

摘要：这篇综述论文系统分析了LLM智能体的记忆系统，将其分为四大流派（语义记忆、个性化记忆、情景记忆和结构化记忆），并通过实验揭示了当前记忆系统的四大痛点：基准测试存在"上下文饱和陷阱"，传统评估指标（如F1）与语义理解脱节，开源骨干模型存在高格式错误率（达30.38%），复杂架构在实际部署中面临延迟问题。研究指出，在长上下文窗口时代（如128k+），许多记忆系统的优势可能被夸

摘要：这篇综述论文系统分析了LLM智能体的记忆系统，将其分为四大流派（语义记忆、个性化记忆、情景记忆和结构化记忆），并通过实验揭示了当前记忆系统的四大痛点：基准测试存在"上下文饱和陷阱"，传统评估指标（如F1）与语义理解脱节，开源骨干模型存在高格式错误率（达30.38%），复杂架构在实际部署中面临延迟问题。研究指出，在长上下文窗口时代（如128k+），许多记忆系统的优势可能被夸

摘要： 华为诺亚方舟实验室提出的CoVe框架通过约束验证解决工具调用Agent的数据合成难题。其核心创新在于用数据库约束生成任务（保证可解性），并通过同一套约束验证轨迹质量（避免依赖LLM打分）。CoVe的流水线包含约束采样、模糊化、交互生成和规则验证四步，仅用12K条高质量数据训练的4B模型在τ²-bench上媲美70B模型性能。该方法数据效率提升18倍，验证机制完全确定且可解释，为多轮交互式工

MiroThinker-1.7 换了一条路：在预训练和 SFT 之间插入 Agentic Mid-Training 阶段，强化每一步的"原子决策"质量（规划、推理、工具使用、答案汇总）。MiroThinker-H1 再叠加一套 Local + Global 双重验证机制，让模型"做一步查一步、交卷前全局复审"。结果是 BrowseComp 88.2%、GAIA 88.5%——前者 OpenAI D

这篇论文揭示了Agent技能库在现实应用中的局限性：研究发现，随着场景从理想化（手工匹配技能）转向真实（自主检索技能），技能带来的性能增益会大幅衰减。例如Claude Opus 4.6的通过率从55.4%降至38.4%，仅比不用技能的baseline高3个百分点。论文提出了渐进式评估框架和技能精炼方法，发现查询级精炼可使Claude性能提升8%，但对较弱模型可能适得其反。核心结论是：技能库的有效性