AI Agent

Rethinking AI Cloud Infrastructure for Agentic Serving Systems with the Aries Experimentation Framework

基于Aries实验框架重新思考智能体服务系统的AI云基础设施

Leonid Kondrashov, Hongrui Liu, JooYoung Park, Boxi Zhou, Zonghao Liu, Chengzhi Lu, Riccardo Mancini, Esha Choukse, Haris Javaid, German Sviridov, Tao Peng, Chen Zhao, Anastasia Avdeeva, Aleksei Gusev, Marios Kogias, Luo Mai, Dmitrii Ustiugov

专题命中 记忆与上下文管理 ：agentic(title)；agent(abstract)；autonomous agent(abstract)

AI总结 该研究针对自主智能体对传统LLM服务的挑战，提出Aries全栈实验框架，通过实验揭示服务系统的关键瓶颈，探讨智能体原生服务系统的设计愿景。

SciToolAgent-Evo: An Ontology-Aware Self-Evolving Agent for Open-World Scientific Tool Acquisition

SciToolAgent-Evo：一种面向开放世界科学工具获取的本体感知自进化智能体

Yuqi Tang, Chenyi Zhou, Libin Wang, Keyan Ding, Qiang Zhang, Huajun Chen

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

AI总结 针对LLM智能体依赖静态工具空间难以适配开放世界科学工作流的问题，提出SciToolAgent-Evo本体感知自进化智能体，结合进化记忆与本体化工具图，利用LinUCB平衡探索利用，推出OpenSciToolBench基准并取得最优性能。

Comments 19 pages, 4 figures, under review

MemForest: An Efficient Agent Memory System with Hierarchical Temporal Indexing

MemForest: 一种具有层次化时间索引的高效智能体记忆系统

Han Chen, Zining Zhang, Wenqi Pei, Bingsheng He, Ming Wu, Jason Zeng, Michael Heinrich, Wei Wu, Hongbao Zhang

机构 * National University of Singapore（新加坡国立大学） ； Zero Gravity Labs（零重力实验室） 纠错

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

AI总结 针对长上下文LLM智能体记忆系统中粗粒度状态管理和顺序更新导致的维护开销问题，提出MemForest框架，通过并行块提取和层次化时间索引树MemTree实现高效写入和局部更新，在LongMemEval-S上达到79.8% pass@1准确率，吞吐量比现有方法高约6倍。

Comments 12 pages. Extended version with appendix as supplemental material. Submitted to VLDB

SERUM: State Extraction and Refinement for User Modeling

SERUM：面向用户建模的状态提取与优化

Andy J. Phu, James Mooney, Karin de Langis, Khanh Chi Le, Dongyeop Kang

机构 * University of Minnesota（明尼苏达大学） 纠错

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

AI总结 SERUM是首个无需人工标注即可从非结构化自我中心屏幕视频生成可解释过程模型的多阶段框架，经61段跨领域视频验证，其优化后的标签在马尔可夫模型预测与人工评估中均表现优异，为用户建模提供了可扩展方案。

Learning Stateful Predictive Knowledge From Experience

从经验中学习有状态的预测知识

Yan Song, Xidong Feng, Bo Liu, Xinyu Cui, Haotian Fu, Zichen Liu, Mengyue Yang, Cheng Deng, Jian Zhao, Jun Wang

机构 * University College London（伦敦大学学院） ； National University of Singapore（新加坡国立大学） ； Chinese Academy of Sciences（中国科学院） ； Brown University（布朗大学） ； University of Bristol（布里斯托尔大学） ； University of Edinburgh（爱丁堡大学） ； Zhongguancun Academy（中关村科学院） ； The Yangtze River Delta（长三角） 纠错

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

AI总结 该研究针对LLM智能体现有轨迹级反思学习的缺陷，提出SKL方法，通过两种算法训练智能体学习有状态预测知识，在多任务上性能优于现有范式。

The Self-Correction Illusion: Role Relabeling Gates Explicit Error Flagging in Large Language Models

自我修正错觉：LLM 纠正他人但不纠正自己

Kuan-Yen Chen, Fang-Yi Su, Shih-Yen Lin, Bao Li, Jung-Hsien Chiang

机构 * National Taiwan University（国立台湾大学） 纠错

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

AI总结 本文通过保持错误声明字节一致仅改变角色标签，发现 LLM 无法自我修正并非能力缺陷，而是聊天模板角色标签的人为产物，并提出无需训练或模型修改的提示结构干预方法。

Comments 15 pages, 3 figures, 15 tables

Know It, Act on It: Investigating Memory Utilization in LLM Personalization

了解它，执行它：研究大语言模型个性化中的记忆利用

Zhaoxin Feng, Jianfei Ma, Emmanuele Chersoni

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本研究针对LLM个性化中记忆利用的问题，提出解耦评估范式，发现智能体常能回忆用户偏好却未在行为中体现，健康相关偏好的利用薄弱且风险最高。

Zero-Mem: Zero-Token Memory Operations for LLM Agents

Zero-Mem：面向大语言模型智能体的零令牌内存操作

Yilin Xiao, Zhehan Zhu, Yujing Zhang, Jin Chen, Zijin Hong, Luyao Zhuang, Qinggang Zhang, Shengyuan Chen, Xiaocao Ouyang, Lingfei Ren, Xiao Huang

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

AI总结 Zero-Mem提出零令牌内存操作，以原始交互轨迹为记录来源，通过实体-上下文图与时间层次结构组织信息，仅在最终问答时调用LLM，在长记忆问答基准中实现性能与效率的平衡，降低内存操作时间成本57.6%。

Memory Provenance Laundering in LLM Agents: A Non-Amplification Firewall for Persistent Memory

大语言模型智能体中的内存来源洗白：用于持久内存的非放大防火墙

Jinghan Xu, Yiyong Xiao, Wanru Shao, Hankai Liu, Xinjin Li

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

AI总结 针对LLM智能体内存来源洗白的安全问题，提出PPMF防火墙，通过匹配行动风险与记忆权限，成功阻止高风险未授权行动，保障智能体内存安全。

Comments EMNLP2026 submitted

Reflection or Re-Generation? Why LLM Revision Fails Where Human Revision Succeeds

反思还是重新生成？为什么大型语言模型（LLM）的修正会失败，而人类的修正却能成功

Yefan Tao, Gerald Friedland, Madhusudhanan Chandrasekaran, Luyang Kong

机构 * Amazon（亚马逊） 纠错

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

AI总结 本研究提出人类-LLM反思框架（HRF）对比人类与LLM的修正，发现LLM反思在客观任务增益近零、主观任务增益为负，本质是条件重新生成，而非真正的错误驱动修正。

Comments 20 pages, 8 figures

LabEvolver: Training-Free Experience Evolution for Safe and Grounded Wet-Lab Agents

LabEvolver：面向安全且务实的湿实验室智能体的无训练经验演化框架

Jingya Wang, Yuyang Gao, Liuzhenghao Lv, Yonghong Tian, Yuyang Liu

机构 * School of AI for Science, Peking University（北京大学AI科学学院） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； School of Computer Science, Peking University（北京大学计算机学院） 纠错

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

AI总结 LabEvolver是无训练框架，通过内外部循环为湿实验室智能体配备情景记忆，在溶液制备任务中提升效率与安全性，在ALFWorld中也提升了连续任务成功率，支持闭环自动化科学发现。

LLM Agents Are Latent Context Managers: Eliciting Self-Managed Context via State Proprioception

LLM 智能体是潜在上下文管理者：通过本体感觉仪表盘引发自我管理上下文

Binyan Xu, Haitao Li, Kehuan Zhang

机构 * Tencent（腾讯） 纠错

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

AI总结 提出 VISTA 框架，通过为 LLM 智能体提供上下文状态仪表盘（令牌使用量、时效性、访问历史），无需训练即可实现自我上下文管理，在多个基准上显著提升性能。

Comments 27 pages, 12 figures

Local Global Games and Network Common Learning

局部全局博弈与网络共同学习

Olga Rospuskova, Omer Tamuz, Jake Zhang

专题命中 记忆与上下文管理 ：agent(abstract)

AI总结 该研究针对全局博弈提出网络共同学习概念，发现其在二维网格等网络中可实现，在直线等存在信息瓶颈的网络中无法实现，均衡中仅安全行动留存。

PROPEL: A Memory-Driven, Adaptive Vector-Flow-Field Router with Process-Aware Waveguide Generation for Large-Scale Photonic Integrated Circuits

PROPEL：面向大规模光子集成芯片的内存驱动、自适应矢量流场路由器及工艺感知波导生成技术

A Abdur Rahman Akib, Eunso Shin, Jonathan Rogers, Jonathan Wierer, Stanley Cheung

专题命中 记忆与上下文管理 ：planning(abstract)

AI总结 PROPEL是面向大规模PIC的内存驱动自适应矢量流场路由框架，可处理多类约束，在多数无源路由案例中速度领先，还支持多种高级功能以应对异构布局需求。

Conditioning-Depth Diagnostics for Hidden Memory in Temporal Causal Discovery

基于马尔可夫性的条件深度诊断：观测数据集中的隐藏混杂

S. A. Adedayo

专题命中 记忆与上下文管理 ：workflow(abstract)

AI总结 通过分析推断因果图随条件深度变化的稳定性，提出一种诊断隐藏混杂的模型检查工具。