AI Agent

SEW: Self-Evolving Agentic Workflows for Automated Code Generation

SEW：自演化代理工作流用于自动化代码生成

Siwei Liu, Jinyuan Fang, Han Zhou, Yingxu Wang, Zaiqiao Meng

机构 * University of Aberdeen（阿伯丁大学） ； University of Glasgow（格拉斯哥大学） ； University of Cambridge（剑桥大学） ； MBZUAI（马克斯·普朗克智能系统研究所） 纠错

专题命中 软件智能体 ：agentic(title,abstract)；agent(abstract)；workflow(abstract)；multi-agent(abstract)

AI总结 本文提出SEW框架，通过自演化方法自动设计和优化多代理工作流，提升代码生成任务的性能，实验表明在LiveCodeBench上比仅使用基础LLM提升12%。

Comments 16 pages, 5 figures

Beyond Static Sandboxing: Learned Capability Governance for Autonomous AI Agents

超越静态沙箱：为自主AI代理的学得能力治理

Bronislav Sidik, Lior Rokach

机构 * Institute for Applied AI Research（应用人工智能研究所） ； Faculty of Computer and Information Science（计算机与信息科学学院） ； Ben-Gurion University of the Negev（贝内-约尔大学） 纠错

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

AI总结 本文提出Aethelgard框架，通过学得策略实现AI代理的最小必要能力集，解决能力过度配置问题。

Comments 17 pages (9 content pages), 2 figures, 7 tables. Submitted to NeurIPS 2026 Agent Safety Workshop. Code and dataset available at https://github.com/sidikbro/aethelgard

Local-Splitter: A Measurement Study of Seven Tactics for Reducing Cloud LLM Token Usage on Coding-Agent Workloads

Local-Splitter：七种减少云LLM令牌使用量策略的测量研究

Justice Owusu Agyemang, Jerry John Kponyo, Elliot Amponsah, Godfred Manu Addo Boakye, Kwame Opuni-Boachie Obour Agyekum

机构 * Sperix Labs（Sperix实验室） ； VIA Cybersecurity Lab, KNUST（VIA网络安全实验室，科罗尼斯特大学） ； Quantum and Assistive Technologies Lab, KNUST（量子与辅助技术实验室，科罗尼斯特大学） 纠错

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

AI总结 本文研究了七种减少云LLM令牌使用量的策略，通过测量发现本地路由与提示压缩组合在编辑密集型任务中可节省45-79%的云令牌，而RAG密集型任务中完整策略集可节省51%。

From Junior to Senior: Allocating Agency and Navigating Professional Growth in Agentic AI-Mediated Software Engineering

从初级到高级：在代理AI介导的软件工程中分配代理并导航专业成长

Dana Feng, Bhada Yun, April Yi Wang

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过混合方法研究，探讨了代理AI在软件工程中初级和高级工程师的代理使用情况，发现组织政策而非个人偏好主要限制了代理能力，并提出三种实践以保持编码、学习和指导中的代理能力。

Comments To appear in CHI'26

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

Instructions are all you need: Self-supervised Reinforcement Learning for Instruction Following

指令即一切：用于指令遵循的自监督强化学习

Qingyu Ren, Qianyu He, Powei Chang, Jie Zeng, Zeye Sun, Fei Yu, Jiaqing Liang, Yanghua Xiao

机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence, Fudan University（上海数据科学 key laboratory，复旦大学计算机科学与人工智能学院） ； School of Data Science, Fudan University（复旦大学数据科学学院） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 本文提出一种无需外部监督的自监督强化学习框架，通过直接从指令中生成奖励信号和伪标签来解决多约束任务中稀疏奖励问题，实验表明其在多个领域数据集上表现优异。

Robust Optimization for Mitigating Reward Hacking with Correlated Proxies

鲁棒优化用于通过相关代理缓解奖励黑客问题

Zixuan Liu, Xiaolin Sun, Zizhan Zheng

机构 * Department of Computer Science（计算机科学系） 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.LG

AI总结 本文提出通过鲁棒策略优化方法应对奖励黑客问题，基于r相关性代理奖励空间，改进代理优化并提升鲁棒性与透明度。

Comments ICLR 2026

Design and Deployment of a Course-Aware AI Tutor in an Introductory Programming Course

面向入门编程课程的课程感知AI助教的设计与部署

Iris Groher, Patrick Heissenberger, Michael Vierhauser

专题命中 软件智能体 ：agent(abstract)；分类 cs.SE

AI总结 本文设计了一款面向入门编程课程的AI助教，通过检索增强的课程对齐指导帮助学生提升问题解决能力，研究发现学生主要利用助教进行概念理解、实现指导和调试。

Comments accepted for publication at CSEDU 2026

Signed DeGroot-Friedkin Dynamics with Interdependent Topics

带相互依赖主题的有符号DeGroot-Friedkin动力学

Yangyang Luan, Muhammad Ahsan Razaq, Xiaoqun Wu, Claudio Altafini

专题命中 软件智能体 ：agent(abstract)

AI总结 本文研究了具有相互依赖主题的有符号影响网络中的DeGroot-Friedkin动力学，提出了一种多主题有符号框架，结合排斥性人际互动与跨议题自我评估，探讨对抗性和主题依赖性如何影响代理层面的社会权力演变。