AI Agent

From Phase Prediction to Phase Design: A ReAct Agent Framework for High-Entropy Alloy Discovery

从相预测到相设计：一种用于高熵合金发现的ReAct代理框架

Iman Peivaste, Salim Belouettar

机构 * Luxembourg Institute of Science and Technology (LIST)（卢森堡科学与技术研究院） ； Department of Physics and Materials Science, University of Luxembourg（卢森堡大学物理与材料科学系） 纠错

专题命中 工具调用 ：agent(title,abstract)；agentic(abstract)；分类 cs.AI

AI总结 本文提出ReAct代理框架，通过推理与行动实现高熵合金设计，显著提升相发现效率与准确性。

From Agent-Only Social Networks to Autonomous Scientific Research: Lessons from OpenClaw and Moltbook, and the Architecture of ClawdLab and Beach.Science

从仅代理的社会网络到自主科学研究：来自OpenClaw和Moltbook的启示，以及ClawdLab和Beach.Science的架构

Lukas Weidener, Marko Brkić, Phillip Lee, Martin Karlsson, Kevin Noessler, Paul Kohlhaas

专题命中 工具调用 ：agent(title,abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出ClawdLab和Beach.Science两个平台，通过结构化协作与自由环境相结合，解决自主科学研究中的架构问题，并实现去中心化系统的可扩展性。

The FM Agent

FM代理

Annan Li, Chufan Wu, Zengle Ge, Yee Hin Chong, Zhinan Hou, Lizhe Cao, Cheng Ju, Jianmin Wu, Huaiming Li, Haobo Zhang, Shenghao Feng, Mo Zhao, Fengzhi Qiu, Rui Yang, Mengmeng Zhang, Wenyi Zhu, Yingying Sun, Quan Sun, Shunhao Yan, Danyu Liu, Dawei Yin, Dou Shen

机构 * Baidu AI Cloud（百度AI云） 纠错

专题命中 工具调用 ：agent(title,abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 FM代理是一种利用LLM推理和进化搜索的通用多代理框架，能够自主解决复杂问题并达到先进水平。

PyVision-RL: Forging Open Agentic Vision Models via RL

通过强化学习构建开放代理视觉模型：PyVision-RL

Shitian Zhao, Shaoheng Lin, Ming Li, Haoquan Zhang, Wenshuo Peng, Kaipeng Zhang, Chen Wei

机构 * Shanghai AI Lab（上海人工智能实验室） ； Rice University（里士满大学） ； Shanda AI Research, Tokyo（上海沙达人工智能研究东京） 纠错

专题命中 工具调用 ：agentic(title,abstract)；tool use(abstract)；分类 cs.AI

AI总结 PyVision-RL通过强化学习框架解决多模态代理的交互崩溃问题，结合回放策略和累积奖励提升多轮推理能力，实现高效视频理解与处理。

Comments preprint

STAR: Similarity-guided Teacher-Assisted Refinement for Super-Tiny Function Calling Models

STAR: 基于相似性引导的教师辅助细化方法用于超小功能调用模型

Jiliang Ni, Jiachen Pu, Zhongyi Yang, Jingfeng Luo, Conggang Hu

机构 * Algorithm Platform Team, AI Hardware Division, Alibaba（阿里巴巴人工智能硬件事业部算法平台团队） 纠错

专题命中 工具调用 ：function calling(title,abstract)；AI agent(abstract)；分类 cs.AI

AI总结 STAR通过约束知识蒸馏和基于相似性的强化学习，有效将大语言模型能力转移到超小模型，实现复杂功能调用任务的高性能表现。

Comments The paper has been accepted to ICLR 2026

What Makes a Good LLM Agent for Real-world Penetration Testing?

什么样的LLM代理适合现实中的渗透测试？

Gelei Deng, Yi Liu, Yuekang Li, Ruozhao Yang, Xiaofei Xie, Jie Zhang, Han Qiu, Tianwei Zhang

专题命中 工具调用 ：agent(title,abstract)；planning(abstract)；分类 cs.SE

AI总结 Excalibur通过结合强大工具和难度感知计划，提高了渗透测试代理在复杂任务中的表现和效率。

Hybrid Reinforcement Learning and Search for Flight Trajectory Planning

混合强化学习与搜索的飞行轨迹规划

Alberto Luise, Michele Lombardi, Florent Teichteil Koenigsbuch

专题命中 工具调用 ：planning(title,abstract)；agent(abstract)；分类 cs.AI

AI总结 本文提出一种混合强化学习与搜索的方法，用于快速优化民航飞行路径，通过预计算近优路径减少求解空间，提升计算效率并保持燃油消耗相近。

Comments Incomplete and outdated, working on improved and clearer version

Puda: Private User Dataset Agent for User-Sovereign and Privacy-Preserving Personalized AI

Puda：用户主权与隐私保护的个性化AI用户数据代理

Akinori Maeda, Yuto Sekiya, Sota Sugimura, Tomoya Asai, Yu Tsuda, Kohei Ikeda, Hiroshi Fujii, Kohei Watanabe

机构 * Research Institute of Advanced Technology, SoftBank Corp.（软银公司先进科技研究所） ； Turnt Up Technologies, Inc.（Turnt Up技术公司） ； TechArts Co., Ltd.（TechArts公司） ； Acutus Software, Inc.（Acutus软件公司） 纠错

专题命中 工具调用 ：agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 Puda通过用户主权架构实现多粒度数据管理，平衡隐私保护与个性化AI的使用需求。

Comments 9 pages, 5 figures

Self-Guided Function Calling in Large Language Models via Stepwise Experience Recall

通过逐步经验回忆实现大语言模型的自引导函数调用

Sijia Cui, Aiyao He, Shuai Xu, Hongming Zhang, Yanna Wang, Qingyang Zhang, Yajing Wang, Bo Xu

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（认知与决策智能复杂系统重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Nanjing University of Information Science & Technology（南京信息工程大学） ； Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院） 纠错

专题命中 工具调用 ：function calling(title,abstract)；planning(abstract)；分类 cs.CL

AI总结 SEER通过逐步经验回忆方法，提升大语言模型在多步骤工具使用中的准确性和效率。

Comments Accepted to EMNLP 2025

D-CORE: Incentivizing Task Decomposition in Large Reasoning Models for Complex Tool Use

D-CORE：激励大型推理模型在复杂工具使用中的任务分解

Bowen Xu, Shaoyu Wu, Hao Jiang, Kai Liu, Xin Chen, Lulu Hu, Bin Yang

机构 * Alibaba Cloud Computing, Alibaba Group（阿里巴巴云 computing，阿里巴巴集团） 纠错

专题命中 工具调用 ：tool use(title,abstract)；tool-use(abstract)；分类 cs.CL

AI总结 D-CORE通过两阶段训练框架提升大型推理模型在复杂工具使用中的任务分解能力，实验显示其在多个基准上优于现有方法。

Evolving from Tool User to Creator via Training-Free Experience Reuse in Multimodal Reasoning

从工具使用者到创作者的进化：通过无训练经验重用在多模态推理中

Xintian Shen, Jiawei Chen, Lihao Zheng, Hao Ma, Tao Wei, Kun Zhan

专题命中 工具调用 ：tool use(title,abstract)；agent(abstract)；分类 cs.AI

AI总结 UCT框架通过无训练经验重用，使智能体从工具使用者转变为工具创造者，提升多模态推理能力。

ELLMPEG: An Edge-based Agentic LLM Video Processing Tool

ELLMPEG：一种基于边缘的代理LLM视频处理工具

Zoha Azimi, Reza Farahani, Radu Prodan, Christian Timmerer

机构 * Christian Doppler Laboratory ATHENA, Department of Information Technology (ITEC) University of Klagenfurt（亚琛实验室ATHENA，信息科技系，克雷格弗尔特大学） ； Department of Information Technology (ITEC) University of Klagenfurt（信息科技系，克雷格弗尔特大学） ； Department of Computer Science University of Innsbruck（计算机科学系，因斯布鲁克大学） 纠错

专题命中 工具调用 ：agentic(title,abstract)；tool use(abstract)；分类 cs.LG

AI总结 ELLMPEG是一种基于边缘的代理LLM视频处理工具，通过整合工具感知的检索增强生成与迭代自我反思，实现本地生成和验证FFmpeg和VVenC命令，提升视频处理效率和准确性。

Comments 12 pages, 5 tables, 8 Figures, accepted for the MMSys 2026 conference

ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks

ComAgent：基于多LLM的代理式AI赋能智能无线网络

Haoyun Li, Ming Xiao, Kezhi Wang, Robert Schober, Dong In Kim, Yong Liang Guan

机构 * IEEE 纠错

专题命中 工具调用 ：agentic(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 ComAgent通过多LLM代理式AI框架，实现复杂无线网络任务的自动化设计与优化，展现出超越单体LLM的性能优势。

SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback

SAGE: 用于深度搜索的可调节代理数据生成与执行反馈

Fangyuan Xu, Rujun Han, Yanfei Chen, Zifeng Wang, I-Hung Hsu, Jun Yan, Vishy Tirumalashetty, Eunsol Choi, Tomas Pfister, Chen-Yu Lee

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI

AI总结 SAGE通过生成高质量、难度可控的深度搜索问题-答案对，提升深度搜索代理的性能和适应性

Agentic-R: Learning to Retrieve for Agentic Search

Agentic-R: 为代理搜索学习检索

Wenhan Liu, Xinyu Ma, Yutao Zhu, Yuchen Li, Daiting Shi, Dawei Yin, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Baidu Inc.（百度公司） 纠错

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；分类 cs.CL

AI总结 本文提出了一种针对代理搜索的检索器训练框架，通过结合局部查询-段落相关性和全局答案正确性，提升多轮搜索性能。

Towards Verifiably Safe Tool Use for LLM Agents

面向LLM代理工具使用的可验证安全性

Aarya Doshi, Yining Hong, Congying Xu, Eunsuk Kang, Alexandros Kapravelos, Christian Kästner

专题命中 工具调用 ：tool use(title)；agent(abstract)；AI agent(abstract)；分类 cs.SE

AI总结 本文提出一种基于STPA的框架，通过形式化规范数据流和工具序列，实现LLM代理的可验证安全性，减少对人工标注的依赖。

Comments 4 pages, 1 figure; accepted to ICSE NIER 2026

KP-Agent: Keyword Pruning in Sponsored Search Advertising via LLM-Powered Contextual Bandits

KP-Agent：通过LLM驱动的上下文老虎机实现关键词剪枝

Hou-Wan Long, Yicheng Song, Zidong Wang, Tianshu Sun

机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Minnesota（明尼苏达大学） ； Cheung Kong Graduate School of Business（长江商学院） 纠错

专题命中 工具调用 ：agent(title,abstract)；agentic(abstract)；分类 cs.AI

AI总结 KP-Agent通过LLM驱动的上下文老虎机框架，利用强化学习优化关键词剪枝，提升付费搜索广告的累计利润

V-Agent: An Interactive Video Search System Using Vision-Language Models

V-Agent：一种利用视觉-语言模型的交互式视频搜索系统

SunYoung Park, Jong-Hyeon Lee, Youngjune Kim, Daegyu Sung, Younghyun Yu, Young-rok Cha, Jeongho Ju

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

专题命中 工具调用 ：agent(title,abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 V-Agent通过多智能体协作和视觉-语言模型提升视频搜索性能，实现多模态交互与零样本性能。

Comments CIKM 2025 MMGENSR Workshop

VET Your Agent: Towards Host-Independent Autonomy via Verifiable Execution Traces

验证你的代理：通过可验证的执行轨迹实现主机无关的自主性

Artem Grigor, Christian Schroeder de Witt, Simon Birnbach, Ivan Martinovic

机构 * University of Oxford（牛津大学） 纠错

专题命中 工具调用 ：agent(title,abstract)；autonomous agent(abstract)；分类 cs.AI

AI总结 VET通过可验证的执行轨迹实现主机无关的自主性，为未来完全自主的代理系统奠定基础。

Klear-AgentForge: Forging Agentic Intelligence through Posttraining Scaling

Qi Wang, Hongzhi Zhang, Jia Fu, Kai Fu, Yahui Liu, Tinghai Zhang, Chenxi Sun, Gangwei Jiang, Jingyi Tang, Xingguang Ji, Yang Yue, Jingyuan Zhang, Fuzheng Zhang, Kun Gai, Guorui Zhou

机构 * Klear Team（Klear团队） ； Kuaishou Technology（快手科技） 纠错

专题命中 工具调用 ：agentic(title,abstract)；tool use(abstract)；分类 cs.AI

Comments 20 pages, 7 figures

Agentic LLMs for REST API Test Amplification: A Comparative Study Across Cloud Applications

Jarne Besjes, Robbe Nooyens, Tolgahan Bardakci, Mutlu Beyazit, Serge Demeyer

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；分类 cs.SE

Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets

Gagan Bansal, Wenyue Hua, Zezhou Huang, Adam Fourney, Amanda Swearngin, Will Epperson, Tyler Payne, Jake M. Hofman, Brendan Lucier, Chinmay Singh, Markus Mobius, Akshay Nambi, Archana Yadav, Kevin Gao, David M. Rothschild, Aleksandrs Slivkins, Daniel G. Goldstein, Hussein Mozannar, Nicole Immorlica, Maya Murad, Matthew Vogel, Subbarao Kambhampati, Eric Horvitz, Saleema Amershi

机构 * Microsoft（微软） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI

Empowering RepoQA-Agent based on Reinforcement Learning Driven by Monte-carlo Tree Search

Guochang Li, Yuchen Liu, Zhen Qin, Yunkun Wang, Jianping Zhong, Chen Zhi, Binhua Li, Fei Huang, Yongbin Li, Shuiguang Deng

专题命中 工具调用 ：agent(title,abstract)；agentic(abstract)；分类 cs.SE

Towards Agentic Self-Learning LLMs in Search Environment

Wangtao Sun, Xiang Cheng, Jialin Fan, Yao Xu, Xing Yu, Shizhu He, Jun Zhao, Kang Liu

机构 * The Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（认知与决策智能复杂系统实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Xiaohongshu Inc（小红书公司） ； Meituan Inc（美团公司） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） 纠错

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI

GOAT: A Training Framework for Goal-Oriented Agent with Tools

Hyunji Min, Sangwon Jung, Junyoung Sung, Dosung Lee, Leekyeung Han, Paul Hongsuck Seo

机构 * Korea University（韩国大学） ； Trillion Labs（万亿实验室） 纠错

专题命中 工具调用 ：agent(title)；tool use(abstract)；planning(abstract)；分类 cs.AI

Comments 32 pages, 21 figures

QAgent: A modular Search Agent with Interactive Query Understanding

Yi Jiang, Lei Shen, Lujie Niu, Sendong Zhao, Wenbo Su, Bo Zheng

机构 * Alibaba（阿里巴巴） 纠错

专题命中 工具调用 ：agent(title,abstract)；agentic(abstract)；分类 cs.AI

Comments Code is available at https://github.com/OpenStellarTeam/QAgent

EARL: Efficient Agentic Reinforcement Learning Systems for Large Language Models

Zheyue Tan, Mustapha Abdullahi, Tuo Shi, Huining Yuan, Zelai Xu, Chao Yu, Boxun Li, Bo Zhao

机构 * Aalto University（阿alto大学） ； Tsinghua University（清华大学） 纠错

专题命中 工具调用 ：agentic(title,abstract)；tool use(abstract)；分类 cs.LG

A Study on the MCP x A2A Framework for Enhancing Interoperability of LLM-based Autonomous Agents

Cheonsu Jeong

专题命中 工具调用 ：autonomous agent(title,abstract)；agent(abstract)；分类 cs.AI

Journal ref Journal of Intelligence and Information Systems, 31(3), 141-170 (2025)

Improving Large Language Models Function Calling and Interpretability via Guided-Structured Templates

Hy Dang, Tianyi Liu, Zhuofeng Wu, Jingfeng Yang, Haoming Jiang, Tao Yang, Pei Chen, Zhengyang Wang, Helen Wang, Huasheng Li, Bing Yin, Meng Jiang

机构 * University of Notre Dame（诺丁汉大学） ； Amazon（亚马逊） 纠错

专题命中 工具调用 ：function calling(title,abstract)；tool-use(abstract)；分类 cs.AI

Comments Accepted to EMNLP 2025 Main Conference

AnoF-Diff: One-Step Diffusion-Based Anomaly Detection for Forceful Tool Use

Yating Lin, Zixuan Huang, Fan Yang, Dmitry Berenson

机构 * University of Michigan（密歇根大学） 纠错

专题命中 工具调用 ：tool use(title,abstract)；tool-use(abstract)；分类 cs.LG