AI Agent

Agentic Application in Power Grid Static Analysis: Automatic Code Generation and Error Correction

代理在电力网络静态分析中的应用：自动代码生成与错误修正

Qinjuan Wang, Shan Yang, Yongli Zhu

机构 * Sun Yat-sen University（中山大学） 纠错

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

AI总结 本文提出一个基于LLM的代理，通过将自然语言转换为MATLAB脚本实现电力网络静态分析自动化，采用三重纠错系统提升代码准确性，实验表明其在复杂任务中能有效消除幻觉。

Comments This paper has been accepted for presentation at the 9th International Conference on Energy, Electrical and Power Engineering (CEEPE 2026) in Nanjing, China, April 17-19, 2026

Building an Internal Coding Agent at Zup: Lessons and Open Questions

在Zup构建内部编码代理：经验与开放问题

Gustavo Pinto, Pedro Eduardo de Paula Naves, Ana Paula Camargo, Marselle Silva

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

AI总结 研究探讨了构建内部编码代理时原型性能与生产准备之间的差距，指出工具设计、安全控制等工程决策比模型质量更重要，通过CodeGen案例展示改进方法和人类监督模式对代理可靠性和采用的影响。

Comments 9 Paginas

BACE: LLM-based Code Generation through Bayesian Anchored Co-Evolution of Code and Test Populations

BACE：基于大语言模型的代码生成：通过贝叶斯锚定的代码与测试种群共演化

Kaushitha Silva, Srinath Perera

专题命中 软件智能体 ：agent(abstract)；planning(abstract)；multi-agent(abstract)；分类 cs.SE

AI总结 BACE通过贝叶斯锚定的共演化方法，改进代码生成中的测试反馈机制，提升代码与测试种群的协同进化性能。

Comments 10 Pages, 3 Figures. To appear in Proceedings of the 2026 Genetic and Evolutionary Computation Conference (GECCO '26), July 13-17, 2026, San Jose, Costa Rica

From Helpful to Trustworthy: LLM Agents for Pair Programming

从有益到可信：用于配对编程的LLM代理

Ragib Shahariar Ayon

机构 * Texas State University（德克萨斯州立大学） 纠错

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

AI总结 本文研究多代理LLM配对编程，通过外部化意图和工具迭代验证，提升代码可靠性、可审计性和可维护性。

Comments Accepted in 34th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (FSE Companion 26)

LLM-assisted Agentic Edge Intelligence Framework

基于大语言模型的代理边缘智能框架

Chinmaya Kumar Dehury, Siddharth Singh Kushwaha, Qiyang Zhang, Alaa Saleh, Praveen Kumar Donta

专题命中 软件智能体 ：agentic(title)

AI总结 本文提出LEI框架，利用云托管的大语言模型协调设备端逻辑的生成与更新，通过生成轻量级程序并部署以适应变化条件，提升边缘计算的灵活性与资源效率。

Comments 35 pages, 22 Figures, Journal version

Sema Code: Decoupling AI Coding Agents into Programmable, Embeddable Infrastructure

Sema Code: 将AI编码代理解耦为可编程、可嵌入的基础设施

Huacan Wang, Jie Zhou, Ningyan Zhu, Shuo Zhang, Feiyu Chen, Jiarou Wu, Ge Chen, Chen Liu, Wangyi Chen, Xiaofeng Mou, Yi Xu

专题命中 软件智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.SE

AI总结 Sema Code通过解耦核心代理引擎与客户端层，提供可嵌入的AI编码框架，解决企业跨异构环境复用能力的挑战，其核心机制包括多租户隔离、异步权限控制等，支持多种产品形式。

Mem$^2$Evolve: Towards Self-Evolving Agents via Co-Evolutionary Capability Expansion and Experience Distillation

Mem$^2$Evolve：通过共进化能力扩展与经验蒸馏实现自进化智能体

Zihao Cheng, Zeming Liu, Yingyu Shan, Xinyi Wang, Xiangrong Zhu, Yunpu Ma, Hongru Wang, Yuhang Guo, Wei Lin, Yunhong Wang

机构 * Beihang University（北京航空航天大学） ； Beijing Institute of Technology（北京理工大学） ； Independent Researcher（独立研究者） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Edinburgh（爱丁堡大学） 纠错

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

AI总结 本文提出Mem$^2$Evolve框架，通过共进化能力扩展与经验蒸馏实现自进化智能体，实验显示其在多个任务和基准上的性能显著优于传统方法。

Comments Accepted by ACL 2026 Main

SkVM: Revisiting Language VM for Skills across Heterogenous LLMs and Harnesses

SkVM：重新审视跨异构LLM的技能语言虚拟机

Le Chen, Erhu Feng, Yubin Xia, Haibo Chen

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出SkVM，通过将技能视为代码并利用LLM作为异构处理器，解决技能在不同平台间执行不一致的问题，提升技能可移植性和效率。

Learning to Focus and Precise Cropping: A Reinforcement Learning Framework with Information Gaps and Grounding Loss for MLLMs

学习聚焦与精确裁剪：一种带有信息缺口和接地损失的强化学习框架用于多模态大语言模型

Xuanpu Zhao, Zhentao Tan, Dianmo Sheng, Tianxiang Chen, Yao Liu, Yue Wu, Tao Gong, Qi Chu, Nenghai Yu

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络空间安全学院） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文提出一种无需轨迹监督的两阶段强化学习框架，通过信息缺口机制和接地损失提升多模态大语言模型在复杂视觉场景中的感知与推理能力，实验显示其在高分辨率视觉问答基准上达到最优性能。

Comments Accepted by CVPR 2026

SWE-Shepherd: Advancing PRMs for Reinforcing Code Agents

SWE-Shepherd：推进基于强化学习的代码代理的PRMs

Mahir Labib Dihan, Md Ashrafur Rahman Khan

专题命中 软件智能体 ：agent(abstract)；分类 cs.SE

AI总结 本文提出SWE-Shepherd框架，通过引入过程奖励模型为代码代理提供密集的步骤级监督，提升代码代理在大型代码库中的交互效率和动作质量。

Comments Code is available at https://github.com/mahirlabibdihan/swe-shepherd

KCS: Diversify Multi-hop Question Generation with Knowledge Composition Sampling

KCS: 通过知识组合采样多样化多跳问题生成

Yangfan Wang, Jie Liu, Chen Tang, Lian Yan, Jingchi Jiang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； MemTensor (Shanghai) Technology Co., Ltd.（MemTensor（上海）科技有限公司） ； National Key Laboratory of Smart Farm Technologies and Systems（智慧农场技术与系统全国重点实验室） 纠错

专题命中 软件智能体 ：planning(abstract)；分类 cs.CL

AI总结 本文提出KCS框架，通过采样不同知识组合提升多跳问题生成的多样性，改进知识组合选择的准确率，并在HotpotQA和2WikiMultihopQA数据集上提升数据增强效果。

Comments Accept by EMNLP 2025

FireBridge: Cycle-Accurate Hardware + Firmware Co-Verification for Modern Accelerators

FireBridge：面向现代加速器的周期精确硬件+固件联合验证

G Abarajithan, Zhenghua Ma, Francesco Restuccia, Ryan Kastner

专题命中 软件智能体 ：workflow(abstract)

AI总结 本文提出FireBridge框架，通过将固件与RTL/HLS硬件联合验证，实现加速器系统集成的高效调试，提升调试迭代速度达50倍。

GRAPHIA: Harnessing Social Graph Data to Enhance LLM-Based Social Simulation

GRAPHIA：利用社交图数据增强基于LLM的社会模拟

Jiarui Ji, Zehua Zhang, Zhewei Wei, Bin Tong, Guan Wang, Bo Zheng

专题命中 软件智能体 ：agent(abstract)

AI总结 GRAPHIA通过强化学习利用社交图数据作为LLM训练的监督信号，提升社会模拟的微观和宏观对齐效果，实验显示其在多个真实网络中显著提高预测精度和社会现象复制能力。

Comments accepted by ACL26 main

Sanity Checks for Agentic Data Science

代理数据科学的合理性检查

Zachary T. Rewolinski, Austin V. Zane, Hao Huang, Chandan Singh, Chenglong Wang, Jianfeng Gao, Bin Yu

机构 * Dept. of Statistics UC Berkeley（加州大学伯克利分校统计系） ； Dept. of EECS UC Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Microsoft Research（微软研究院） ； Center for Computational Biology UC Berkeley（加州大学伯克利分校计算生物学中心） 纠错

专题命中 GUI与网页智能体 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于PCS框架的轻量级合理性检查，用于验证代理数据科学输出的可靠性，通过扰动检测信号与噪声区分，揭示不支持的结论，并在合成数据和真实数据集上验证其有效性。

MobiFlow: Real-World Mobile Agent Benchmarking through Trajectory Fusion

MobiFlow: 通过轨迹融合实现真实世界移动代理基准测试

Yunfei Feng, Xi Zhao, Cheng Zhang, Dahu Feng, Daolin Cheng, Jianqi Yu, Yubin Xia, Erhu Feng

机构 * Institute of Parallel and Distributed Systems (IPADS), Shanghai Jiao Tong University（上海交通大学并行与分布式系统研究所（IPADS）） ； Department of Precision Instrument, Tsinghua University（清华大学精密仪器系） ； National Innovation Institute of High-end Smart Appliances（国家高端智能家电创新研究院） 纠错

专题命中 GUI与网页智能体 ：agent(title,abstract)；分类 cs.AI、cs.LG、cs.SE

AI总结 MobiFlow通过轨迹融合算法构建任务，覆盖20个常用第三方应用，提供240种真实任务，提升模型在真实负载下的评估精度。

Turing Test on Screen: A Benchmark for Mobile GUI Agent Humanization

屏幕上的图灵测试：移动GUI代理人化的一个基准

Jiachen Zhu, Lingyu Yang, Rong Shan, Congmin Zheng, Zeyu Zheng, Weiwen Liu, Yong Yu, Weinan Zhang, Jianghao Lin

机构 * Shanghai Jiao Tong University（上海交通大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 GUI与网页智能体 ：agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出屏幕上的图灵测试基准，通过建模检测器与代理的MinMax优化问题，评估代理在人类中心生态系统中的生存能力，并提出人化基准和检测指标，展示代理在不牺牲性能的前提下实现高模仿性。

Mobile GUI Agent Privacy Personalization with Trajectory Induced Preference Optimization

基于轨迹诱导的偏好优化的移动GUI代理隐私个性化

Zhixin Lin, Jungang Li, Dongliang Xu, Shidong Pan, Yibo Shi, Yuchi Liu, Yuecong Min, Yue Yao

机构 * Shandong University（山东大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； New York University（纽约大学） ； Xi'an Jiaotong University（西安交通大学） ； Australian National University（澳大利亚国立大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

专题命中 GUI与网页智能体 ：agent(title,abstract)；分类 cs.AI

AI总结 本文研究移动GUI代理的隐私个性化问题，提出轨迹诱导偏好优化方法，通过偏好强度加权和填充门机制提升隐私保护与任务执行效率。

Comments 10 pages, 6 figures, 3 tables

ClawGUI: A Unified Framework for Training, Evaluating, and Deploying GUI Agents

ClawGUI：一个用于训练、评估和部署GUI代理的统一框架

Fei Tang, Zhiqiong Lu, Boxuan Zhang, Weiming Lu, Jun Xiao, Yueting Zhuang, Yongliang Shen

机构 * Zhejiang University（浙江大学） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 ClawGUI通过统一框架解决GUI代理训练、评估和部署中的三大缺口，提供标准化评估流程和跨平台部署能力，实现移动端GUI任务的成功率提升。

WebLLM: A High-Performance In-Browser LLM Inference Engine

WebLLM：一种高性能的浏览器内LLM推理引擎

Charlie F. Ruan, Yucheng Qin, Akaash R. Parthasarathy, Xun Zhou, Ruihang Lai, Hongyi Jin, Yixin Dong, Bohan Hou, Meng-Shiun Yu, Yiyan Zhai, Sudeep Agarwal, Hangrui Cao, Siyuan Feng, Tianqi Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； NVIDIA（英伟达） 纠错

专题命中 GUI与网页智能体 ：agentic(abstract)；分类 cs.AI、cs.LG

AI总结 WebLLM通过JavaScript框架在浏览器内实现高性能LLM推理，利用WebGPU和WebAssembly结合MLC-LLM和Apache TVM优化，实现80%的本地性能，推动隐私保护的本地化LLM应用。

LLMs for Text-Based Exploration and Navigation Under Partial Observability

基于部分可观测性的文本基于探索与导航中的大型语言模型

Stephan Sandfuchs, Maximilian Melchert, Jörg Frochte

机构 * AKIS -- Interdisciplinary Institute for Applied AI and Data Science Ruhr（AKIS——鲁尔跨学科应用人工智能与数据科学研究所） ； Bochum University of Applied Sciences（波鸿应用科学大学） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了大型语言模型在部分可观测环境下作为纯文本控制器的可行性，评估了九种不同LLM在探索和导航任务中的表现，发现推理调优模型在导航任务中表现更可靠，但效率仍低于理想路径。

Comments 15 pages, (to be published Springer Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering [LNICST] )

ANCHOR: Branch-Point Data Generation for GUI Agents

ANCHOR：用于GUI代理的分支点数据生成

Jinbiao Wei, Yilun Zhao, Kangqi Ni, Arman Cohan

机构 * Yale University（耶鲁大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；分类 cs.AI

AI总结 ANCHOR通过分支点生成高质量交互数据，提升桌面环境GUI代理的训练效果和泛化能力。

EE-MCP: Self-Evolving MCP-GUI Agents via Automated Environment Generation and Experience Learning

EE-MCP：通过自动环境生成和经验学习的自进化MCP-GUI代理

Tiantian He, Yihang Chen, Keyue Jiang, Ka Yiu Lee, Kaiwen Zhou, Kun Shao, Shuai Wang

机构 * University College London（伦敦大学学院） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 GUI与网页智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文提出EE-MCP框架，通过自动环境生成和经验学习实现MCP-GUI代理的自进化，通过跨应用分析证明其在MCP主导任务和GUI密集任务中的有效性。

AWARE: Adaptive Whole-body Active Rotating Control for Enhanced LiDAR-Inertial Odometry under Human-in-the-Loop Interaction

AWARE: 一种适应性全身主动旋转控制用于增强人体在环交互下的激光雷达惯性里程计

Yizhe Zhang, Jianping Li, Liangliang Yin, Zhen Dong, Bisheng Yang

机构 * organization= State Key Laboratory of Information Engineering in Surveying, Mapping ； Remote Sensing , addressline= Wuhan University , city= Wuhan , postcode= 430079 , country= China ； organization= School of Electrical ； Electronic Engineering , addressline= Nanyang Technological University , postcode= 639798 , country= Singapore 纠错

专题命中 GUI与网页智能体 ：agent(abstract)

AI总结 本文提出AWARE框架，通过UAV自身旋转能力扩展传感器视野，提升LIO可观测性。采用可微分MPC与强化学习结合，实现估计精度与飞行稳定性平衡，并通过安全飞行走廊机制确保操作安全。

MERMAID: Memory-Enhanced Retrieval and Reasoning with Multi-Agent Iterative Knowledge Grounding for Veracity Assessment

MERMAID：基于多智能体迭代知识接地的记忆增强检索与推理用于真实性评估

Yupeng Cao, Chengyang He, Yangyang Yu, Ping Wang, K. P. Subbalakshmi

机构 * Stevens Institute of Technology（史蒂文斯理工学院） 纠错

专题命中 记忆与上下文管理 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 MERMAID通过整合智能体驱动搜索、结构化知识表示和持久记忆模块，提升事实核查和主张验证的效率与一致性，实现检索、推理与记忆的协同优化。

Tree Training: Accelerating Agentic LLMs Training via Shared Prefix Reuse

树训练：通过共享前缀重用加速代理LLM训练

Jinghui Wang, Shaojie Wang, Yinghan Cui, Xuxing Chen, Chao Wang, Liang Huang, Xiaojiang Zhang, Junyi Peng, Li Wan, Haotian Zhang, Bin Chen

专题命中 记忆与上下文管理 ：agentic(title,abstract)；agent(abstract)；tool use(abstract)；分类 cs.LG

AI总结 本文提出Tree Training框架，通过DFS序列化和树分区策略，高效处理树状token轨迹，实现LLM训练速度提升6.2倍。

Combating the Memory Walls: Optimization Pathways for Long-Context Agentic LLM Inference

突破内存瓶颈：长上下文代理LLM推理的优化路径

Haoran Wu, Can Xiao, Jiayi Nie, Xuan Guo, Binglei Lou, Jeffrey T. H. Wong, Zhiwen Mo, Cheng Zhang, Przemyslaw Forys, Chengyang Ai, Timi Adeniran, Wayne Luk, Hongxiang Fan, Jianyi Cheng, Timothy M. Jones, Rika Antonova, Robert Mullins, Aaron Zhao

专题命中 记忆与上下文管理 ：agentic(title,abstract)；AI agent(abstract)；tool use(abstract)

AI总结 本文提出PLENA系统，通过新型架构和量化方案提升代理LLM推理性能，实现比A100 GPU和TPU v6e更高的吞吐量和能效。

Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory

时间并非标签：连续相位旋转用于时间知识图谱与智能记忆

Weixian Waylon Li, Jiaxin Zhang, Xianan Jim Yang, Tiejun Ma, Yiwen Guo

机构 * University of Edinburgh（爱丁堡大学） ； LIGHTSPEED ； University of St Andrews（圣安德鲁斯大学） ； Independent Researcher（独立研究员） 纠错

专题命中 记忆与上下文管理 ：agentic(title,abstract)；autonomous agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出RoMem模块，通过连续相位旋转技术解决时间信息在知识图谱中的表示问题，提升时间推理和记忆保持性能，实现状态-of-the-art结果。

Persistent Identity in AI Agents: A Multi-Anchor Architecture for Resilient Memory and Continuity

人工智能代理中的持久身份：一种多锚架构用于健壮的记忆和连续性

Prahlad G. Menon

机构 * The Menon Lab（Menon实验室） 纠错

专题命中 记忆与上下文管理 ：AI agent(title,abstract)；agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出多锚架构解决AI代理身份问题，通过分离组件实现持久身份，引入混合RAG+RLM检索系统，提出身份锚点概念，提供身份在部分记忆故障下的持续性方案。

Comments 18 pages, 2 figures. Submitting to arXiv cs.ET (Emerging Technologies)

Sense Less, Infer More: Agentic Multimodal Transformers for Edge Medical Intelligence

感知更少，推断更多：面向边缘医疗智能的代理多模态变压器

Chengwei Zhou, Zhaoyan Jia, Haotian Yu, Xuming Chen, Brandon Lee, Christopher Pulliam, Steve Majerus, Massoud Pedram, Gourav Datta

机构 * Case Western Reserve University（凯斯西储大学） ； University of Southern California（南加州大学） 纠错

专题命中 记忆与上下文管理 ：agentic(title,abstract)；分类 cs.LG

AI总结 本文提出AMI框架，通过代理多模态变压器在边缘设备上实现高效医疗监测，在减少传感器使用的同时提升诊断准确性。

Comments 7 figures, 4 tables

ADAM: A Systematic Data Extraction Attack on Agent Memory via Adaptive Querying

ADAM：通过自适应查询对代理记忆进行系统性数据提取攻击

Xingyu Lyu, Jianfeng He, Ning Wang, Yidan Hu, Tao Li, Danjue Chen, Shixiong Li, Yimin Chen

机构 * University of Massachusetts Lowell, USA（马萨诸塞大学洛厄尔分校） ； Amazon, USA（亚马逊） ； University of South Florida, USA（南佛罗里达大学） ； Rochester Institute of Technology, USA（罗切斯特理工学院） ； Purdue University, USA（普渡大学） ； North Carolina State University, USA（北卡罗来纳州立大学） 纠错

专题命中 记忆与上下文管理 ：agent(title,abstract)；分类 cs.AI

AI总结 本文提出ADAM攻击，通过估计受害者代理内存的数据分布和熵引导查询策略，提升隐私泄露效果，实验显示其攻击成功率高达100%。