AI Agent

When Errors Become Narratives: A Longitudinal Taxonomy of Silent Failures in a Production LLM Agent Runtime

当错误成为叙事：生产级LLM Agent运行时中静默故障的纵向分类

Wei Wu

机构 * Independent researcher（独立研究者） 纠错

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

AI总结 通过八周对生产级个人助手Agent运行时的研究，识别出28次静默故障，提出五类机制导向分类，其中D类（链式幻觉与捏造）为LLM特有且最危险，系统会生成流畅可信的虚假叙事。

Comments 18 pages, 5 figures, 2 tables. 22 incident postmortems and all defense-framework artifacts publicly available at https://github.com/bisdom-cell/openclaw-model-bridge; governance engine on PyPI (openclaw-ontology-engine)

SkillMutator: Benchmarking and Defending Language-and-Code Cross-modal Attacks on LLM Agent Skills

SkillMutator: 基准测试与防御针对LLM代理技能的语言与代码跨模态攻击

Youngduk Kim, Minkyoo Song, Seungwon Shin

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

AI总结 提出SkillMutator基准，模拟13类跨模态攻击，并设计四阶段推理轨迹蒸馏框架，将检测率从17.1%提升至88.2%，超越GPT-4o-mini。

No Accidental Software Agent First Canonical Code for Human Code Entropy Reduction and 30 to 500 times Lower Frontier Model Requirements

无意外软件智能体：首个用于人类代码熵降低的正则代码，以及30到500倍的前沿模型需求降低

Jepson Taylor

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

AI总结 提出智能体优先的正则代码方法，通过行为等价商化人类代码中的意外熵，实现30-500倍的前沿模型需求降低，核心是行为等价商化和证明携带变更。

Comments 36 pages

Do programming languages still matter to your AI coding agent teammate? Evidence at scale from chess engines

编程语言对你的AI编码队友还重要吗？来自国际象棋引擎的大规模证据

Mathieu Acher, Jean-Marc Jézéquel

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

AI总结 通过让前沿AI代理用17种编程语言开发国际象棋引擎，发现AI能生成任何语言的可用系统，但语言选择仍影响性能、成本和功能，主流编译语言才能达到强棋力。

Unsupervised Learning of Efficient Exploration: Pre-training Adaptive Policies via Self-Imposed Goals

高效探索的无监督学习：通过自我设定目标预训练自适应策略

Octavio Pappalardo

机构 * University College London (UCL)（伦敦大学学院（UCL）） 纠错

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

AI总结 提出ULEE方法，结合上下文学习器与对抗性目标生成策略，在无监督元学习框架中优化多回合探索与适应，提升零样本和少样本性能。

Comments ICLR 2026; v2 adds link to code: https://github.com/Octavio-Pappalardo/ulee-jax

Journal ref The Fourteenth International Conference on Learning Representations, 2026

MiniMax Sparse Attention

MiniMax 稀疏注意力

Xunhao Lai, Weiqi Xu, Yufeng Yang, Qiaorui Chen, Yang Xu, Lunbin Zeng, Xiaolong Li, Haohai Sun, Haichao Zhu, Vito Zhang, Jinkai Hu, Jiayao Li, Rui Gao, Zekun Li, Songquan Zhu, Jingkai Zhou, Pengyu Zhao

机构 * MiniMax ； Peking University（北京大学） ； NVIDIA（英伟达） ； Zhejiang University（浙江大学） ； Huazhong University of Science and Technology（华中科技大学） 纠错

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

AI总结 提出 MiniMax 稀疏注意力（MSA），一种基于分组查询注意力的块级稀疏注意力机制，通过轻量索引分支选择 Top-k 键值块，实现高效长上下文处理，在 109B 模型上以 1M 上下文减少 28.4 倍注意力计算，并带来 14.2 倍预填充和 7.6 倍解码加速。

Comments 30 pages, 14 figures