AI Agent

Generalized Planning as Heuristic Search

Javier Segovia-Aguas, Sergio Jiménez, Anders Jonsson

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

Comments Accepted at ICAPS-21

Asynchronous Multi Agent Active Search

Ramina Ghods, Arundhati Banerjee, Jeff Schneider

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

Comments Preprint under review

Fast Risk Assessment for Autonomous Vehicles Using Learned Models of Agent Futures

Allen Wang, Xin Huang, Ashkan Jasour, Brian Williams

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

Comments To appear in Robotics: Science and Systems

PABO: Pseudo Agent-Based Multi-Objective Bayesian Hyperparameter Optimization for Efficient Neural Accelerator Design

Maryam Parsa, Aayush Ankit, Amirkoushyar Ziabari, Kaushik Roy

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

Comments 8 pages, 8 figures

Combining Offline Models and Online Monte-Carlo Tree Search for Planning from Scratch

Yunlong Liu, Jianyang Zheng

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

Practical Knowledge Management Tool Use in a Software Consulting Company

Torgeir Dingsøyr, Emil Røyrvik, Hans Karim Djarraya

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

Journal ref Communications of the ACM, vol. 48, pp. 96 - 100, 2005

StarAlgo: A Squad Movement Planning Library for StarCraft using Monte Carlo Tree Search and Negamax

Mykyta Viazovskyi, Michal Certicky

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

Improving Search through A3C Reinforcement Learning based Conversational Agent

Milan Aggarwal, Aarushi Arora, Shagun Sodhani, Balaji Krishnamurthy

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

Comments 17 pages, 7 figures

Towards A Novel Unified Framework for Developing Formal, Network and Validated Agent-Based Simulation Models of Complex Adaptive Systems

Muaz A. Niazi

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

Comments PhD Thesis, University of Stirling, Scotland, UK. (2011), 93 figures, 23 tables, 292 pages

Deep Reinforcement Learning Radio Control and Signal Detection with KeRLym, a Gym RL Agent

Timothy J. O'Shea, T. Charles Clancy

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

Comments 7 pages, 4 figures

Artist Agent: A Reinforcement Learning Approach to Automatic Stroke Generation in Oriental Ink Painting

Ning Xie, Hirotaka Hachiya, Masashi Sugiyama

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

Comments ICML2012

Agent Behavior Prediction and Its Generalization Analysis

Fei Tian, Haifang Li, Wei Chen, Tao Qin, Enhong Chen, Tie-Yan Liu

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

Learning is planning: near Bayes-optimal reinforcement learning via Monte-Carlo tree search

John Asmuth, Michael L. Littman

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

Probabilistic Planning via Heuristic Forward Search and Weighted Model Counting

C. Domshlak, J. Hoffmann

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

Journal ref Journal Of Artificial Intelligence Research, Volume 30, pages 565-620, 2007

Improving Heuristics Through Relaxed Search - An Analysis of TP4 and HSP*a in the 2004 Planning Competition

P. Haslum

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

Journal ref Journal Of Artificial Intelligence Research, Volume 25, pages 233-267, 2006

Where 'Ignoring Delete Lists' Works: Local Search Topology in Planning Benchmarks

J. Hoffmann

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

Journal ref Journal Of Artificial Intelligence Research, Volume 24, pages 685-758, 2005

Planning Graph as a (Dynamic) CSP: Exploiting EBL, DDB and other CSP Search Techniques in Graphplan

S. Kambhampati

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

Journal ref Journal Of Artificial Intelligence Research, Volume 12, pages 1-34, 2000

Challenges of Growing Social Media Networks From the Bottom-Up Through the Agent Perspective

Joseph A. E. Shaheen

专题命中 工具调用 ：agent(title,abstract)

Comments 8 pages, 10 figures; Please cite as Shaheen, J. A. E., Challenges of Growing Social Media Networks From the Bottom-Up Through the Agent Perspective, Proceedings of the Spring Simulation Multi-Conference, 2018, forthcoming

CAPO: Constraint-Aware Prompt Optimization for LLM Agents

CAPO：面向大语言模型智能体的感知约束提示优化

Victor Ye Dong, Reid Pryzant, Yi Liu, Jian Jiao

机构 * Microsoft（微软） 纠错

专题命中 工具调用 ：agent(abstract)；tool use(abstract)；agentic(abstract)；分类 cs.AI、cs.CL

AI总结 本研究提出CAPO与DCAPO两种方法，通过原始对偶框架优化LLM智能体的系统提示，在智能体及助手式任务中均提升了可行性与性能。

ARC: Fair Relative Advantage Comparison in Open-Ended Real-World Interaction

ARC：开放式真实世界交互中的公平相对优势比较

Yongqi Tong, Tan Li Hui Faith, Choy Zhen Wen Marcus, Zhou Jin, Kewei Fu, Jiang-Ming Yang, Jianshe Li, Xin Zhang

机构 * Ant International（蚂蚁国际） 纠错

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

AI总结 针对开放式真实世界交互中基于组的RL轨迹行为不可比导致的奖励公平问题，提出ARC训练方案，结合\textit{inter}范式与\textit{inter-86K}语料库，提升工具使用基准并缩短首次token时间。

From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents

从原子动作到标准操作程序：自进化语言模型智能体的迭代工具优化

Haipeng Ding, Yuexiang Xie, Zhewei Wei, Yaliang Li, Bolin Ding

机构 * Renmin University of China（中国人民大学） ； Alibaba Group（阿里巴巴集团） 纠错

专题命中 工具调用 ：agent(abstract)；tool-use(abstract)；workflow(abstract)；分类 cs.AI、cs.CL

AI总结 研究针对现有LLM智能体框架问题，提出将原子动作合成SOP实现自进化，介绍EvoSOP框架，经实验验证该框架能显著提升任务成功率、减少交互轮数，为自进化智能体开发提供可扩展路径。

Think in English, Answer in Korean: Efficient Adaptation of Multilingual Tool-Using Agents

用英语思考，用韩语回答：多语言工具使用智能体的高效适配

Utsav Garg, Sungjin Hong, Jason Jung, Justin Lee, Shaan Desai, Joon Hee Kim, Anirudh Shrinivason, Edmond Wen, Susie Park

机构 * Cohere ； LG CNS 纠错

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

AI总结 提出LuckyStar 111B混合推理模型，通过多语言监督微调、可验证奖励强化学习、语言一致性奖励和4-bit量化，高效适配多语言工具使用智能体，提升数学推理、函数调用和NL2SQL性能。

Supervising the search process produces reliable and generalizable information-seeking agents

通过监督搜索过程产生可靠且可推广的信息寻求代理

Guangzhi Xiong, Qiao Jin, Xiao Wang, Yin Fang, Haolin Liu, Yifan Yang, Fangyuan Chen, Zhixing Song, Dengyu Wang, Minjia Zhang, Zhiyong Lu, Aidong Zhang

机构 * Department of Computer Science, University of Virginia, USA（弗吉尼亚大学计算机科学系） ； National Library of Medicine, National Institutes of Health, USA（美国国立卫生研究院国家医学图书馆） ； Department of Computer Science, University of Illinois Urbana–Champaign, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Medical Oncology, Dana–Farber Cancer Institute, USA（达纳-法伯癌症研究所医学肿瘤科） ； Surgery, University of Alabama at Birmingham, USA（阿拉巴马大学伯明翰分校外科系） ； Department of Neurology, Yale School of Medicine, USA（耶鲁医学院神经病学系） 纠错

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

AI总结 本文提出通过监督搜索过程来构建更可靠且可推广的信息寻求代理，通过RAG-Gym框架系统研究了架构设计、参数优化和动作评估，发现推理反思是关键能力，Re$^2$Search++在多跳信息检索基准上取得显著提升，尤其在领域外任务中表现更优。

Comments Homepage: https://rag-gym.github.io; Code: https://github.com/RAG-Gym/RAG-Gym

Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval

自主知识图谱探索与自适应广度-深度检索

Joaquín Polonuer, Lucas Vittor, Iñaki Arango, Ayush Noori, David A. Clifton, Luciano Del Corro, Marinka Zitnik

机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Departamento de Computación, FCEyN, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） ； ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés（圣安德鲁大学工程系ELIAS实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA（自然与人工智能研究所，马萨诸塞州阿利斯顿） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT和哈佛大学Broad研究所） ； Harvard Data Science Initiative, Cambridge, MA, USA（哈佛大学数据科学倡议） 纠错

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

AI总结 本文提出ARK工具，通过全局词搜索和邻域探索平衡知识图谱的广度与深度检索，提升多跳遍历效率，在STaRK上达到59.1%的平均Hit@1和67.4的平均MRR，优于其他方法。

Comments Accepted at ACL 2026 Main Conference

Quantifying Divergence in Inter-LLM Communication Through API Retrieval and Ranking

通过API检索和排序量化跨LLM通信中的分歧

Eyhab Al-Masri

机构 * School of Engineering and Technology（工程与技术学院） 纠错

专题命中 工具调用 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出一个统一的基准框架，量化在相同任务下不同LLM在API发现和排序上的差异。研究发现结构化任务稳定性较高，而开放性任务分歧显著，结果为多代理系统中可靠性感知的协调提供了依据。

Comments AAAI 2026 Conference (LAMAS Workshop)

SEVerA: Verified Synthesis of Self-Evolving Agents

SEVerA: 验证合成自进化代理

Debangshu Banerjee, Changming Xu, Eugene Ie, Ming Zhang, Daiyi Peng, Chu-Cheng Lin, Gagandeep Singh

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google（谷歌） 纠错

专题命中 工具调用 ：agent(abstract)；tool use(abstract)；agentic(abstract)；分类 cs.LG、cs.SE

AI总结 SEVerA通过引入形式化guarded生成模型，结合搜索、验证和学习三阶段框架，在程序验证、符号数学合成等任务中实现零约束违规，提升自进化代理的正确性和性能。

Comments First Formally Verified Self-Evolving LLM Agents

Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery

Rhizome OS-1：Rhizome的半自主操作系统用于小分子药物发现

Yiwen Wang, Gregory Sinenka, Xhuliano Brace

机构 * Rhizome Research Inc. 纠错

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

AI总结 Rhizome OS-1通过多模态AI代理实现小分子药物发现的半自动化，结合计算化学、医药化学和专利代理功能，生成新颖分子并评估专利自由度，利用图扩散模型生成化学物质。

Gradual Cognitive Externalization: From Modeling Cognition to Constituting It

渐进性认知外化：从建模认知到构成它

Zhimin Zhao

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

AI总结 本文提出渐进性认知外化框架，探讨环境AI系统如何通过持续因果耦合，从建模认知功能过渡到构成用户认知架构，并提出五个可检验的预测。

Behavioral Steering in a 35B MoE Language Model via SAE-Decoded Probe Vectors: One Agency Axis, Not Five Traits

通过SAE解码探测向量在35B MoE语言模型中实现行为操控：一个代理轴，而非五个特质

Jia Qing Yap

机构 * Independent Researcher（独立研究员） 纠错

专题命中 工具调用 ：agent(abstract)；tool-use(abstract)；agentic(abstract)；分类 cs.CL、cs.LG

AI总结 研究通过训练九个稀疏自编码器识别并操控五个代理行为特质，发现所有向量主要调节单一主导代理轴，仅在工具使用等次要方面产生影响。

Comments 14 pages, 3 figures

Cost-Aware Diffusion Active Search

面向成本的扩散主动搜索

Arundhati Banerjee, Jeff Schneider

机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学） 纠错

专题命中 工具调用 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于扩散模型的主动搜索方法，通过序列建模能力采样动作序列，实现高效成本感知决策，提升目标恢复率。

Comments In submission