AI Agent

"Your AI, My Shell": Demystifying Prompt Injection Attacks on Agentic AI Coding Editors

你的AI，我的Shell：解密面向代理AI编码编辑器的提示注入攻击

Yue Liu, Yanjie Zhao, Yunbo Lyu, Ting Zhang, Haoyu Wang, David Lo

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

AI总结 研究分析了高权限代理AI编码编辑器的提示注入攻击，通过AIShellJack框架测试，发现攻击成功率高达84%，可实现从初始访问到数据外泄的多种攻击目标。

You Don't Need Public Tests to Generate Correct Code

你不需要公共测试来生成正确代码

Kaushitha Silva, Srinath Perera

机构 * WSO2（WSO2公司） 纠错

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

AI总结 本文提出DryRUN框架，通过让大语言模型自主生成测试输入并模拟执行，避免依赖公共测试用例，从而减少过自信偏差并提升代码生成效率。

Comments 9 pages, 6 figures

Quantum circuit complexity and unsupervised machine learning of topological order

量子电路复杂性与拓扑序的无监督机器学习

Yanming Che, Clemens Gneiting, Xiaoguang Wang, Franco Nori

机构 * Department of Physics, University of Michigan, Ann Arbor, Michigan 48109-1040, USA（密歇根大学物理系，安娜堡，密歇根州，48109-1040，美国） ； Center for Quantum Computing, RIKEN, Wako-shi, Saitama 351-0198, Japan（日本理化学研究所量子计算中心，武藏野市，埼玉县，351-0198，日本） ； Department of Physics, Zhejiang Sci-Tech University, Hangzhou 310018, China（浙江科技学院物理系，杭州310018，中国） 纠错

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

AI总结 本文探讨量子电路复杂性作为理解拓扑序无监督机器学习的工具，提出两个定理连接量子路径规划与量子鱼跃复杂度及纠缠生成，展示了基于保真度和纠缠度的相似性度量在量子相变研究中的优越性能。

Comments Updated version; With enriched Supplementary Information; 23 pages; 5 figures. Code is available upon reasonable request, and will be open-sourced along with the publication. Comments are welcome

Journal ref Nature Communications (2026)

Multi-action Tangled Program Graphs for Multi-task Reinforcement Learning with Continuous Control

多动作纠缠程序图用于具有连续控制的多任务强化学习

Quentin Vacher, Nicolas Beuve, Mickaël Dardaillon, Karol Desnos

机构 * Univ Rennes, INSA Rennes, CNRS, IETR – UMR 6164（里昂大学、里昂国家高等工业学院、国家科学研究中心、IETR – UMR 6164） 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文提出多动作纠缠程序图（MATPG）用于连续多任务强化学习，通过整合MAPLE代理并创建控制流，证明其在多任务场景下的优越性，并展示其可解释性。

Journal ref EuroGP 2026, Apr 2026, Toulouse, France. pp. 259-274

AutoPPA: Automated Circuit PPA Optimization via Contrastive Code-based Rule Library Learning

AutoPPA：通过对比代码基于的规则库学习实现自动电路PPA优化

Chongxiao Li, Pengwei Jin, Di Huang, Guangrun Sun, Husheng Han, Jianan Mu, Xinyao Zheng, Jiaguo Zhu, Shuyi Xing, Hanjun Wei, Tianyun Ma, Shuyao Cheng, Rui Zhang, Ying Wang, Zidong Du, Qi Guo, Xing Hu

机构 * State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院计算技术研究所处理器重点实验室，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； University of Science and Technology of China, Hefei, China（中国科学技术大学，合肥，中国） ； Institute of AI for Industries, Chinese Academy of Sciences, Nanjing, China（中国科学院工业人工智能研究所，南京，中国） 纠错

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

AI总结 本文提出AutoPPA框架，通过对比生成的代码对自动生成优化规则，提升RTL设计中PPA优化效率，实验表明优于手动优化和现有方法SymRTLO和RTLRewriter。