AI Agent

Agentic AI in Engineering and Manufacturing: Industry Perspectives on Utility, Adoption, Challenges, and Opportunities

工程与制造中的代理AI：行业对效用、采用、挑战和机遇的看法

Kristen M. Edwards, Maxwell Bauer, Claire Jacquillat, A. John Hart, Faez Ahmed

机构 * MIT Initiative for New Manufacturing（麻省理工学院新制造倡议） 纠错

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

AI总结 本文通过30多次访谈探讨AI在工程和制造中的应用，发现代理系统在结构化和重复性工作中的价值，以及多步骤工作流协同的潜力，指出数据碎片化、安全要求和工具链限制是主要障碍，强调可靠性、验证和审计性对AI采用的重要性。

Comments Funding and support from the MIT Initiative for New Manufacturing

Let the Agent Steer: Closed-Loop Ranking Optimization via Influence Exchange

让代理引导：通过影响交换实现闭环排名优化

Yin Cheng, Liao Zhou, Xiyu Liang, Dihao Luo, Tewei Lee, Kailun Zheng, Weiwei Zhang, Mingchen Cai, Jian Dong, Andy Zhang

机构 * Shopee 纠错

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

AI总结 本文提出Sortify，首个自主LLM驱动的排名优化代理，通过影响交换闭环实现从诊断到参数部署的自动化优化，解决了结构问题并提升了GMV和广告收入。

Beyond Stochastic Exploration: What Makes Training Data Valuable for Agentic Search

超越随机探索：训练数据为何对代理搜索有价值

Chuzhan Hao, Wenfeng Feng, Guochao Jiang, Guofeng Quan, Guohua Liu, Yuewei Zhang

机构 * Alibaba Cloud Computing（阿里云） 纠错

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

AI总结 本文提出Hierarchical Experience框架，通过对比分析和多级聚类机制将原始推理轨迹转化为层次经验知识，提升搜索代理的性能和训练稳定性，实现更高效的策略驱动搜索。

Comments 15 pages, ACL2026 Findings Accepted

Modelling Cascading Physical Climate Risk in Supply Chains with Adaptive Firms: A Spatial Agent-Based Framework

基于适应性企业的供应链中物理气候风险 cascading 的建模：一种空间 agent-based 框架

Yara Mohajerani

机构 * Quantile Labs 纠错

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

AI总结 本文提出一个开源 Python 框架，用于建模供应链经济中的 cascading 物理气候风险，通过整合地理洪水风险与企业家庭 agent-based 模型，模拟直接资产损失和间接中断。企业通过资本硬化和备用供应商搜索适应，减少损失和中断，强调间接级联效应的重要性。

Comments V1 presented at NeurIPS 2025 Tackling Climate Change with Machine Learning workshop. V4 replaces evolutionary learning with explicit firm continuity adaptation, adds stock-flow consistency, matched-seed ensembles, cascade diagnostics, and internal validations. Code: https://github.com/yaramohajerani/spatial-climate-ABM

Data-Driven Function Calling Improvements in Large Language Model for Online Financial QA

大型语言模型在在线金融问答中的数据驱动函数调用改进

Xing Tang, Hao Chen, Shiwei Li, Fuyuan Lyu, Weijie Shi, Lingjie Li, Dugang Liu, Weihong Luo, Xiku Du, Xiuqiang He

机构 * Shenzhen Technology University（深圳技术大学） ； FiT, Tencent（腾讯FiT） ； Huazhong University of Science and Technology（华中科技大学） ； McGill University（麦吉尔大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Shenzhen University（深圳大学） 纠错

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

AI总结 本文提出数据驱动管道提升LLM在金融场景中的函数调用能力，通过构建数据集、数据增强和模型训练，解决通用LLM在金融领域适应性差的问题。

Comments Accepted to Webconf 2026 industry track

Full-Duplex-Bench-v3: Benchmarking Tool Use for Full-Duplex Voice Agents Under Real-World Disfluency

全双工基准v3：在现实世界不流畅条件下评估全双工语音代理的基准工具

Guan-Ting Lin, Chen Chen, Zhehuai Chen, Hung-yi Lee

机构 * National Taiwan University（国立台湾大学） ； NVIDIA（英伟达） 纠错

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

AI总结 本文提出全双工基准v3，用于评估在自然语音条件下和多步骤工具使用中语言模型的性能。通过六个模型配置评估准确性、延迟和轮流交流维度，发现GPT-Realtime在Pass@1和打断避免方面表现最佳，而Gemini Live 3.1具有最短延迟但轮流率最低。

Comments Work in progress. Demo at https://daniellin94144.github.io/FDB-v3-demo

How Well Do Agentic Skills Work in the Wild: Benchmarking LLM Skill Usage in Realistic Settings

代理技能在真实环境中的表现如何：在现实场景中评估LLM技能使用的基准测试

Yujian Liu, Jiabao Ji, Li An, Tommi Jaakkola, Yang Zhang, Shiyu Chang

机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） 纠错

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

AI总结 本文研究了在更现实的环境下LLM技能的实用性，发现技能效果随环境复杂性增加而下降，通过查询特定的技能细化策略可恢复性能，实验在Terminal-Bench 2.0上提升了Claude Opus 4.6的通过率。

Dogfight Search: A Swarm-Based Optimization Algorithm for Complex Engineering Optimization and Mountainous Terrain Path Planning

狗群搜索：一种基于群体的优化算法，用于复杂工程优化和山地地形路径规划

Yujing Sun, Jie Cai, Xingguo Xu, Yuansheng Gao, Lei Zhang, Kaichen Ouyang, Zhanyu Liu

机构 * College of Science, Liaoning Technical University（辽宁工程技术大学理学院） ； School of Mathematical Sciences, Dalian University of Technology（大连理工大学数学科学学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Physics, University of Science and Technology of China（中国科学技术大学物理系） 纠错

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

AI总结 本文提出了一种名为狗群搜索（DoS）的新型元启发式算法，通过动力学位移积分方程构建搜索机制，在复杂工程优化和山地路径规划中表现出色，优于7种先进算法。

Comments Preprint

Extreme Value Monte Carlo Tree Search for Classical Planning

极值理论在经典规划中的蒙特卡洛树搜索

Masataro Asai, Stephen Wissow

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

AI总结 本文提出UCB1-Uniform算法，利用极值理论解决经典规划中带宽不足和全贝尔曼备份缺乏理论依据的问题，证明了算法的 regret 绑定并验证了其在经典规划中的性能。

Comments Accepted in AAAI-26. arXiv admin note: substantial text overlap with arXiv:2305.09840 (background section)

Let the Agent Search: Autonomous Exploration Beats Rigid Workflows in Temporal Question Answering

让代理搜索：在时间问题回答中自主探索胜过固定工作流

Xufei Lv, Jiahui Yang, Haoyuan Sun, Xialin Su, Zhiliang Tian, Yifu Gao, Linbo Qiao, Houde Liu

机构 * National University of Defense Technology（国防科技大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出AT2QA代理，通过自主探索和动态自我纠正提升时间知识图谱问题回答性能，实验表明其在三个基准测试中超越现有最佳基线。

Comments Revised version with three added authors and additional experiments

FinToolSyn: A forward synthesis Framework for Financial Tool-Use Dialogue Data with Dynamic Tool Retrieval

FinToolSyn: 一种用于金融工具使用对话数据的前向合成框架，具有动态工具检索

Caishuang Huang, Yang Qiao, Rongyu Zhang, Junjie Ye, Pu Lu, Wenxi Wu, Meng Zhou, Xiku Du, Tao Gui, Qi Zhang, Xuanjing Huang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； FiT, Tencent（腾讯FiT） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出FinToolSyn框架，通过动态工具检索生成高质量金融对话数据，构建43,066个工具库并合成148k对话实例，提升金融场景下的工具调用能力。

Agentic Flow Steering and Parallel Rollout Search for Spatially Grounded Text-to-Image Generation

代理流引导与并行展开搜索用于空间感知的文本到图像生成

Ping Chen, Daoxuan Zhang, Xiangming Wang, Yungeng Liu, Haijin Zeng, Yongyong Chen

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 本文提出AFS-Search框架，通过闭合环路机制和空间感知引导提升文本到图像生成的精度与效率，实现性能和速度的双重优化。

Test-Time Strategies for More Efficient and Accurate Agentic RAG

测试时策略用于更高效和准确的代理RAG

Brian Zhang, Deepti Guntur, Zhiyang Zuo, Abhinav Sharma, Shreyas Chaudhari, Wenlong Zhao, Franck Dernoncourt, Puneet Mathur, Ryan Rossi, Nedim Lipka

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

AI总结 本文提出测试时改进Search-R1流程，通过上下文模块和去重模块提升RAG系统在复杂多跳问题中的效率和准确性，实验表明在HotpotQA和Natural Questions数据集上EM得分提高5.6%，检索次数减少10.5%。

Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems

熵引导的多样化与偏好挖掘在代理推荐系统中

Dat Tran, Yongce Li, Hannah Clay, Negin Golrezaei, Sajjad Beygi, Amin Saberi

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

AI总结 本文提出IDSS系统，利用熵信号处理用户查询中的模糊性，通过自适应偏好挖掘和不确定性感知的推荐，提升推荐系统的多样性和透明度。

Comments In proceeding to 2026 Association for the Advancement of Artificial Intelligence Spring Symposia

In-Context Reinforcement Learning for Tool Use in Large Language Models

上下文强化学习用于大型语言模型中的工具使用

Yaoqi Ye, Yiran Zhao, Keyu Duan, Zeyu Zheng, Kenji Kawaguchi, Cihang Xie, Michael Qizhe Shieh

机构 * National University of Singapore（新加坡国立大学） ； Salesforce AI Research（Salesforce AI研究） ； University of California Berkeley（加州大学伯克利分校） ； University of California, Santa Cruz（加州大学圣克ruz分校） 纠错

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

AI总结 本文提出ICRL框架，通过强化学习无需微调即可实现大型语言模型的工具使用能力，实验显示其在推理和工具任务中表现优异。

Agent Hunt: Bounty Based Collaborative Autoformalization With LLM Agents

Agent Hunt: 基于奖金的协作自动形式化与LLM代理

Chad E. Brown, Cezary Kaliszyk, Josef Urban

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

AI总结 基于奖金的协作自动形式化方法，利用LLM代理在交互式定理证明环境中进行去中心化证明搜索与理论构建。

Accelerating Robotic Reinforcement Learning with Agent Guidance

通过代理引导加速机器人强化学习

Haojun Chen, Zili Zou, Chengdong Ma, Yaoxiang Pu, Haotong Zhang, Yuanpei Chen, Yaodong Yang

机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； PKU-PsiBot Joint Lab（北京大学- PsiBot 联合实验室） 纠错

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

AI总结 AGPS通过多模态代理替代人类监督，提升机器人强化学习的样本效率和可扩展性。

Handling Infinite Domain Parameters in Planning Through Best-First Search with Delayed Partial Expansions

通过延迟部分扩展的优先级搜索处理无限域参数

Ángel Aso-Mollar, Diego Aineto, Enrico Scala, Eva Onaindia

机构 * Valencian Research Institute for Artificial Intelligence (VRAIN)（瓦伦西亚人工智能研究 institute） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Università degli Studi di Brescia（布雷西亚大学） 纠错

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

AI总结 本文提出了一种通过延迟部分扩展的优先级搜索算法，以处理无限域参数的规划问题，证明了其在极限情况下的完备性。

Journal ref Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence. 2025. Main Track. Pages 8456-8464

SE-Search: Self-Evolving Search Agent via Memory and Dense Reward

SE-Search: 通过记忆和密集奖励实现的自进化搜索代理

Jian Li, Yizhang Jin, Dongqi Liu, Hang Ding, Jiafu Wu, Dongsheng Chen, Yunhang Shen, Yulei Qin, Ying Tai, Chengjie Wang, Xiaotong Yuan, Yabiao Wang

机构 * Nanjing University（南京大学） ； Tencent YoutuLab（腾讯优图实验室） 纠错

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

AI总结 SE-Search通过记忆净化、原子查询训练和密集奖励提升搜索效率，优于现有基线方法。

Toward a Dynamic Stackelberg Game-Theoretic Framework for Agentic AI Defense Against LLM Jailbreaking

面向动态Stackelberg博弈框架的代理AI防御对抗大语言模型劫持

Zhengye Han, Quanyan Zhu

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

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

AI总结 本文提出动态Stackelberg博弈框架，用于代理AI防御对抗大语言模型劫持，通过RRT搜索和博弈树分析提升防御效果。

Comments Accepted to ICLR 2026 AIMS Workshop. 13 pages, 3 figures

CoVe: Training Interactive Tool-Use Agents via Constraint-Guided Verification

CoVe：通过约束引导验证训练交互工具使用代理

Jinpeng Chen, Cheng Gong, Hanbo Li, Ziru Liu, Zichen Tian, Xinyu Fu, Shi Wu, Chenyang Zhang, Wu Zhang, Suiyun Zhang, Dandan Tu, Rui Liu

机构 * Huawei Research（华为研究） 纠错

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

AI总结 CoVe通过约束引导验证方法有效提升交互式工具使用代理的训练数据合成效率与质量。

Agentic Multi-Source Grounding for Enhanced Query Intent Understanding: A DoorDash Case Study

代理多源接地以增强查询意图理解：一个DoorDash案例研究

Emmanuel Aboah Boateng, Kyle MacDonald, Akshad Viswanathan, Sudeep Das

机构 * DoorDash, Inc.（DoorDash公司） 纠错

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

AI总结 本文提出一种代理多源接地系统，通过目录检索和网络搜索结合，提升多意图查询的准确率，已在DoorDash实现90.7%的准确率提升。

Comments 5 pages, 4 figures

SimpleTool: Parallel Decoding for Real-Time LLM Function Calling

SimpleTool: 并行解码用于实时大语言模型功能调用

Xiaoxin Shi, Jiaxin Wan, Linkang Dong, Wei Jiang, Yue Liu, Zengfeng Huang

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Fudan University, Shanghai, China（复旦大学） 纠错

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

AI总结 SimpleTool通过并行解码技术实现大语言模型功能调用的实时加速，提升效率并降低延迟，适用于实时应用场景。

HotelQuEST: Balancing Quality and Efficiency in Agentic Search

HotelQuEST: 在代理搜索中平衡质量和效率

Guy Hadad, Shadi Iskander, Oren Kalinsky, Sofia Tolmach, Ran Levy, Haggai Roitman

机构 * Ben-Gurion University（本·古里安大学） ； Amazon（亚马逊） 纠错

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

AI总结 HotelQuEST 是一个用于评估代理搜索系统质量和效率的基准测试，通过包含 214 个酒店查询，揭示了基于 LLM 的代理在准确性上的优势，但成本较高，需进一步优化。

Comments To be published in EACL 2026

CiteLLM: An Agentic Platform for Trustworthy Scientific Reference Discovery

CiteLLM：一个用于可信科学引文发现的代理平台

Mengze Hong, Di Jiang, Chen Jason Zhang, Zichang Guo, Yawen Li, Jun Chen, Shaobo Cui, Zhiyang Su

机构 * Hong Kong Polytechnic University（香港理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Swiss Federal Technology Institute of Lausanne (EPFL)（洛桑联邦理工学院） ； Hong Kong University of Science and Technology (HKUST)（香港科学大学） 纠错

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

AI总结 CiteLLM通过在LaTeX编辑器中嵌入LLM工具，实现可信的科学引文发现，确保引文的准确性和可靠性。

Comments Accepted by TheWebConf 2026 Demo Track

AgentLTV: An Agent-Based Unified Search-and-Evolution Framework for Automated Lifetime Value Prediction

AgentLTV: 一种基于代理的统一搜索与进化框架用于自动化生命周期价值预测

Chaowei Wu, Huazhu Chen, Congde Yuan, Qirui Yang, Guoqing Song, Yue Gao, Li Luo, Frank Youhua Chen, Mengzhuo Guo

机构 * Sichuan University（四川大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Sun Yat-sen University（中山大学） ； City University of Hong Kong（香港城市大学） ； Xiangtan University（湘潭大学） 纠错

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

AI总结 AgentLTV通过基于代理的统一搜索与进化框架，实现自动化生命周期价值预测，通过MCTS和EA阶段优化模型，提升预测准确性和稳定性。

Comments 12 pages, 4 figures, submitted to KDD 2026: 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, ADS Track

Multi Graph Search for High-Dimensional Robot Motion Planning

多图搜索用于高维机器人运动规划

Itamar Mishani, Maxim Likhachev

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

AI总结 本文提出多图搜索算法，用于高维机器人运动规划，通过多图扩展实现高效且可靠的路径搜索。

Comments Submitted for Publication

Beyond Closed-Pool Video Retrieval: A Benchmark and Agent Framework for Real-World Video Search and Moment Localization

超越封闭池视频检索：面向真实世界视频搜索和时刻定位的基准与代理框架

Tao Yu, Yujia Yang, Haopeng Jin, Junhao Gong, Xinlong Chen, Yuxuan Zhou, Shanbin Zhang, Jiabing Yang, Xinming Wang, Hongzhu Yi, Ping Nie, Kai Zou, Zhang Zhang, Yan Huang, Liang Wang, Yeshani, Ruiwen Tao, Jin Ma, Haijin Liang, Jinwen Luo

机构 * CASIA ； UCAS ； Tencent（腾讯） ； Peking University（北京大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出RVMS-Bench和RACLO框架，用于评估现实世界中基于模糊记忆的视频检索和时刻定位，揭示现有模型在该任务上的不足。

Comments 49 pages, 9 figures

AgentSkiller: Scaling Generalist Agent Intelligence through Semantically Integrated Cross-Domain Data Synthesis

AgentSkiller: 通过语义整合的跨领域数据合成提升通用智能代理能力

Zexu Sun, Bokai Ji, Hengyi Cai, Shuaiqiang Wang, Lei Wang, Guangxia Li, Xu Chen

机构 * AMU, Baidu Inc.（百度公司） ； School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） ； Singapore Management University（新加坡管理学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） 纠错

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

AI总结 AgentSkiller通过语义整合的跨领域数据合成提升通用智能代理能力，生成高质量交互数据以增强模型功能调用性能。

Comments 33 pages, 9 figures

SCOUT-RAG: Scalable and Cost-Efficient Unifying Traversal for Agentic Graph-RAG over Distributed Domains

SCOUT-RAG：可扩展且成本效益高的代理图式检索框架用于分布式领域

Longkun Li, Yuanben Zou, Jinghan Wu, Yuqing Wen, Jing Li, Hangwei Qian, Ivor Tsang

机构 * A*STAR 纠错

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

AI总结 SCOUT-RAG是一种分布式代理图式检索框架，通过跨领域检索和增量效用目标提升推理性能，同时降低成本和延迟。