AI Agent

ToolTree: Efficient LLM Agent Tool Planning via Dual-Feedback Monte Carlo Tree Search and Bidirectional Pruning

ToolTree: 通过双反馈蒙特卡洛树搜索与双向剪枝实现高效的LLM代理工具规划

Shuo Yang, Soyeon Caren Han, Yihao Ding, Shuhe Wang, Eduard Hoy

机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息学院） ； School of Physics, Mathematics and Computing, The University of Western Australia（西澳大学物理、数学与计算学院） 纠错

专题命中 工具调用 ：agent(title,abstract)；planning(title,abstract)；tool-use(abstract)；分类 cs.AI

AI总结 本文提出ToolTree，一种基于蒙特卡洛树搜索的工具规划方法，通过双阶段LLM评估和双向剪枝机制，提升工具使用序列的适应性和效率，实验表明其在多种基准测试中性能提升约10%。

Comments ICLR 2026

AEGIS: No Tool Call Left Unchecked -- A Pre-Execution Firewall and Audit Layer for AI Agents

AEGIS：无一工具调用未被检查——面向AI代理的预执行防火墙和审计层

Aojie Yuan, Zhiyuan Su, Yue Zhao

专题命中 工具调用 ：AI agent(title,abstract)；agent(abstract)

AI总结 本文提出AEGIS，一种面向AI代理的预执行防火墙和审计层，通过三阶段流程拦截工具调用，实现高风险调用的人工审批和不可篡改的审计轨迹，验证了预执行调解的实用性与低开销。

Comments 4 pages, 15 figures, demo paper

Test-Time Strategies for More Efficient and Accurate Agentic RAG

测试时策略用于更高效和准确的代理RAG

Brian Zhang, Deepti Guntur, Zhiyang Zuo, Abhinav Sharma, Shreyas Chaudhari, Wenlong Zhao, Franck Dernoncourt, Puneet Mathur, Ryan Rossi, Nedim Lipka

专题命中 工具调用 ：agentic(title,abstract)；分类 cs.AI

AI总结 本文提出测试时改进Search-R1流程，通过上下文模块和去重模块提升RAG系统在复杂多跳问题中的效率和准确性，实验表明在HotpotQA和Natural Questions数据集上EM得分提高5.6%，检索次数减少10.5%。

Human-AI Collaborative Autonomous Experimentation With Proxy Modeling for Comparative Observation

人机协作自主实验与代理建模用于比较观察

Arpan Biswas, Hiroshi Funakubo, Yongtao Liu

专题命中 工具调用 ：agent(abstract)；AI agent(abstract)；分类 cs.LG

AI总结 本文提出代理建模贝叶斯优化方法，通过人机协作提升材料空间探索效率，结合人类判断与AI代理实现更精确的实验优化。

Comments 14 pages, 7 figures

The Role of A-priori Information in Networks of Rational Agents

在理性代理网络中先验信息的作用

Yehuda Afek, Yishay Mansour, Shaked Rafaeli, Moshe Sulamy

专题命中 工具调用 ：agent(abstract)；tool use(abstract)

AI总结 本文研究了在理性代理网络中，先验信息对均衡的影响，通过分析复制行为和先验分布，得出了在不同分布式计算问题中达到均衡所需的先验知识界限。

Comments This paper is the full version of the DISC 2018 paper. arXiv admin note: substantial text overlap with arXiv:1711.04728

Spend Less, Reason Better: Budget-Aware Value Tree Search for LLM Agents

少花钱，多思考：基于预算的值树搜索用于大语言模型代理

Yushu Li, Wenlong Deng, Jiajin Li, Xiaoxiao Li

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） 纠错

专题命中 工具调用 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种无需训练的推理时框架，通过单个LLM骨干模型将多跳推理建模为动态搜索树，并引入预算条件的节点选择机制，以在预算耗尽时实现从广度探索到贪婪利用的平稳过渡。

The Perfection Paradox: From Architect to Curator in AI-Assisted API Design

完美悖论：从架构师到策展人的人工智能辅助API设计

Mak Ahmad, Andrew Macvean, JJ Geewax, David Karger

机构 * Google San Francisco CA USA（谷歌圣弗朗西斯科分校） ； Google Seattle USA（谷歌西雅图分校） ； Google Singapore（谷歌新加坡） ； MIT Cambridge MA USA（麻省理工学院剑桥分校） 纠错

专题命中 工具调用 ：workflow(abstract)；分类 cs.AI、cs.SE

AI总结 本文研究了AI辅助API设计中快速功能交付与用户体验标准维护之间的矛盾，通过工业案例研究发现AI生成的API在11个可用性维度中表现优异，但专家误认为AI设计是人类创作且描述其为'完美'，揭示了过度一致性导致的'完美悖论'，建议设计师角色从制定者转向模式策展人。

Comments 6 pages, 2 figures, 3 tables; Poster paper at CHI EA 2026 (Extended Abstracts of the ACM CHI Conference on Human Factors in Computing Systems)

Journal ref Extended Abstracts of the 2026 CHI Conference on Human Factors in Computing Systems (CHI EA '26), April 13--17, 2026, Barcelona, Spain

Asynchronous Verified Semantic Caching for Tiered LLM Architectures

异步验证语义缓存用于分层大语言模型架构

Asmit Kumar Singh, Haozhe Wang, Laxmi Naga Santosh Attaluri, Tak Chiam, Weihua Zhu

专题命中 工具调用 ：agentic(abstract)；分类 cs.AI

AI总结 本文提出Krites异步缓存策略，通过LLM判断扩展静态缓存覆盖范围，提升静态缓存命中率，减少推理成本和延迟。