AI Agent

Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back

可解释的创新引擎：双树代理-RAG与方法作为节点和可验证的写回

Renwei Meng

机构 * Anhui University（安徽大学） 纠错

专题命中 软件智能体 ：agent(title,abstract)；agentic(abstract)；分类 cs.AI

AI总结 本研究提出了一种双树代理-RAG框架，通过方法作为节点和可验证的写回机制，提升代理系统在可控、可解释和可验证创新方面的性能。

Comments 15pages, 4figures, code available on Github

Design Conductor: An agent autonomously builds a 1.5 GHz Linux-capable RISC-V CPU

设计导体：一个自主代理构建1.5 GHz的Linux兼容RISC-V CPU

The Verkor Team, Ravi Krishna, Suresh Krishna, David Chin

机构 * The Verkor Team（Verkor 团队） 纠错

专题命中 软件智能体 ：agent(title,abstract)；autonomous agent(abstract)；分类 cs.AI

AI总结 设计导体自主构建1.5 GHz的Linux兼容RISC-V CPU，通过端到端流程实现从需求文档到GDSII的完整芯片设计。

Arbiter: Detecting Interference in LLM Agent System Prompts

Arbiter：检测LLM代理系统提示中的干扰

Tony Mason

机构 * the University of British Columbia（不列颠哥伦比亚大学） ； the Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 软件智能体 ：agent(title,abstract)；分类 cs.AI、cs.SE

AI总结 Arbiter通过结合形式评估规则和多模型LLM扫描，检测LLM代理系统提示中的干扰模式，发现152个问题并揭示漏洞类别差异。

Can AI Agents Generate Microservices? How Far are We?

AI代理能否生成微服务？我们距离多远？

Bassam Adnan, Matteo Esposito, Davide Taibi, Karthik Vaidhyanathan

专题命中 软件智能体 ：AI agent(title,abstract)；分类 cs.SE

AI总结 本文研究了AI代理生成微服务的能力，发现渐进式生成在单元测试中表现较好，而清洁状态生成在集成测试中表现更优，但整体上仍需人类监督。

Comments 10 pages, 7 figures, accepted at the 2026 IEEE International Conference on Software Architecture (ICSA 2026). This is the pre-print version; the camera-ready version is published by IEEE

Forecasting and predicting stochastic agent-based model data with biologically-informed neural networks

利用生物启发式神经网络进行随机基于代理模型数据的预测与预测

John T. Nardini

专题命中 软件智能体 ：agent(title,abstract)

AI总结 利用生物启发式神经网络引导的偏微分方程预测随机基于代理模型数据，提高参数空间探索效率。

Towards a Neural Debugger for Python

迈向Python的神经调试器

Maximilian Beck, Jonas Gehring, Jannik Kossen, Gabriel Synnaeve

专题命中 软件智能体 ：agentic(abstract)；分类 cs.AI、cs.LG、cs.SE

AI总结 本文提出神经调试器，通过模拟传统调试器实现交互式代码执行控制，提升神经模型在代码执行预测与逆向推理中的能力。

Comments 22 pages

Reinforced Generation of Combinatorial Structures: Hardness of Approximation

增强的组合结构生成：近似难度

Ansh Nagda, Prabhakar Raghavan, Abhradeep Thakurta

机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 利用AI方法在复杂性理论中取得进展，改进MAX-CUT、MAX-3-CUT和TSP的近似难度结果。

LLM2SMT: Building an SMT Solver with Zero Human-Written Code

LLM2SMT：构建一个无需人工编写代码的SMT求解器

Mikoláš Janota, Mirek Olšák

专题命中 软件智能体 ：agent(abstract)

AI总结 LLM2SMT通过无需人工编写代码的方式，构建了一个基于DPLL(T)风格的QF_UF SMT求解器，实现了同余闭包算法并生成证明，展示了其在SMT-LIB基准测试中的竞争力。