AI Agent

VDC-Agent: When Video Detailed Captioners Evolve Themselves via Agentic Self-Reflection

VDC-Agent：当视频详细描述器通过代理自我反思而自我进化

Qiang Wang, Xinyuan Gao, Yuhang He, Jizhou Han, Jiangyang Li, SongLin Dong, Zhiheng Ma, Yihong Gong

机构 * Xi’an Jiaotong University（西安交通大学） ； Kuaishou Technology（快手科技） ； Shenzhen University of Advanced Technology（深圳先进技术大学） 纠错

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

AI总结 VDC-Agent通过自我反思机制实现视频详细描述的自我进化，利用自动生成的(描述，评分)对提升描述准确性与评分表现。

Comments Accepted to ECCV 2026. Project Page: https://vdcagent.github.io

Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents

代理记忆：为大语言模型代理学习统一的长期和短期记忆管理

Yi Yu, Liuyi Yao, Yuexiang Xie, Qingquan Tan, Jiaqi Feng, Yaliang Li, Libing Wu

机构 * School of Cyber Science and Engineering, Wuhan University（武汉大学计算机科学与工程学院） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出Agentic Memory框架，统一管理大语言模型的长期和短期记忆，通过分步GRPO和三阶段强化学习提升记忆效率与任务表现。

Comments ACL'26 SAC Highlight. The code is available at https://github.com/y1y5/AgeMem

Adaptive Memory Crystallization for Autonomous AI Agent Learning in Dynamic Environments

自适应记忆结晶：动态环境中自主AI智能体学习

Rajat Khanda, Mohammad Baqar, Sambuddha Chakrabarti, Satyasaran Changdar

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

AI总结 提出自适应记忆结晶（AMC）架构，基于突触标记与捕获理论，通过三阶段记忆层次和随机微分方程实现持续强化学习，在多个基准上显著提升前向迁移、减少灾难性遗忘并降低内存占用。

LiteResearcher: A Scalable Agentic RL Training Framework for Deep Research Agent

LiteResearcher：一种用于深度研究代理的可扩展代理强化学习训练框架

Bince Qu, Wanli Li, Bo Pan, Jianyu Zhang, Zheng Liu, Pan Zhang, Wei Chen, Bo Zhang

机构 * Zhejiang University（浙江大学） ； Simplex AI ； 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(title,abstract)；agentic(title,abstract)；分类 cs.AI

AI总结 LiteResearcher通过构建轻量虚拟世界提升代理强化学习的可扩展性，使小规模搜索代理在GAIA和Xbench等基准上取得state-of-the-art结果。

Comments COLM 2026

VASP Agent: An Agentic Framework for Autonomous First-principles Calculations

VASP智能体：一种用于自主第一性原理计算的智能框架

Zeyu Xia, Jinzhe Ma, Congjie Zheng, Zhongyao Wang, Shufei Zhang, Yuqiang Li, Hang Su, P. Hu, Changshui Zhang, Xingao Gong, Wanli Ouyang, Lei Bai, Dongzhan Zhou, Mao Su

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Department of Computer Science and Technology（计算机科学与技术系） ； School of Physical Science and Technology（物理科学与技术学院） ； Department of Automation（自动化系） ； Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心） ； School of Chemistry and Chemical Engineering（化学与化工学院） ； Key Laboratory of Computational Physical Sciences (Ministry of Education)（计算物理科学重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究所） 纠错

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

AI总结 研究针对第一性原理材料计算对自主性的高要求，提出VASP智能体系统，结合多种技能和工具执行多步VASP计算，经多任务评估，其计算结果更优，还能诊断并恢复计算错误。

E-mem: Multi-agent based Episodic Context Reconstruction for LLM Agent Memory

E-mem：基于多智能体的事件上下文重建用于LLM智能体记忆

Kaixiang Wang, Yidan Lin, Jiong Lou, Zhaojiacheng Zhou, Bunyod Suvonov, Jie Li

机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 E-mem通过多智能体协同重建事件上下文，提升LLM在长时序任务中的推理能力，实现54%的F1分数，优于现有方法7.75%，并降低70%的token成本。

Comments This paper has been accepted by ICML 2026. If you find our project helpful, please consider giving it a star: https://github.com/dog-last/E-mem

Autogenesis: A Self-Evolving Agent Protocol

自生成：一种自我进化代理协议

Wentao Zhang, Zhe Zhao, Haibin Wen, Yingcheng Wu, Cankun Guo, Ming Yin, Bo An

机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 记忆与上下文管理 ：agent(title,abstract)；tool use(abstract)；planning(abstract)；multi-agent(abstract)

AI总结 本文提出了一种自生成协议（AGP），该协议通过分离进化内容与进化过程，解决了现有代理协议在跨实体生命周期管理、版本追踪和安全更新接口方面的不足。基于AGP，作者展示了自生成系统（AGS），该系统能够动态实例化、检索和优化协议注册的资源，通过多个具有长视界规划和工具使用的挑战性基准测试，验证了代理资源管理和闭环自我进化的有效性。

A Survey of Agent Memory in the Second Half: Towards Self-Evolving and Long-Horizon Agents

重新思考基础智能体的内存机制：第二阶段综述

Wei-Chieh Huang, Weizhi Zhang, Yueqing Liang, Yuanchen Bei, Yankai Chen, Tao Feng, Xinyu Pan, Zhen Tan, Yu Wang, Tianxin Wei, Shanglin Wu, Ruiyao Xu, Liangwei Yang, Rui Yang, Wooseong Yang, Chin-Yuan Yeh, Hanrong Zhang, Haozhen Zhang, Siqi Zhu, Henry Peng Zou, Wanjia Zhao, Song Wang, Wujiang Xu, Zixuan Ke, Zheng Hui, Dawei Li, Yaozu Wu, Langzhou He, Chen Wang, Xiongxiao Xu, Baixiang Huang, Juntao Tan, Shelby Heinecke, Huan Wang, Caiming Xiong, Ahmed A. Metwally, Jun Yan, Chen-Yu Lee, Hanqing Zeng, Yinglong Xia, Xiaokai Wei, Ali Payani, Yu Wang, Haitong Ma, Wenya Wang, Chenguang Wang, Yu Zhang, Xin Eric Wang, Yongfeng Zhang, Jiaxuan You, Hanghang Tong, Xiao Luo, Xue Liu, Yizhou Sun, Wei Wang, Julian McAuley, James Zou, Jiawei Han, Philip S. Yu, Kai Shu

机构 * UIC（伊利诺伊大学香槟分校） ； IIT（伊利诺伊理工学院） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； UW–Madison（威斯康星大学麦迪逊分校） ； ASU（亚利桑那州立大学） ； Emory（埃默里大学） ； Northwestern（西北大学） ； NTU（国立台湾大学） ； UCF（佛罗里达大学） ； Rutgers（新泽西罗格斯大学） ； Cambridge（剑桥大学） ； Harvard（哈佛大学） ； UTokyo（东京大学） ； UCSD（加州大学圣地亚哥分校） ； UCSC（加州大学圣塔克鲁斯分校） ； TAMU（德克萨斯大学奥斯汀分校） ； UCSB（加州大学圣塔芭芭拉分校） ； MBZUAI（马克斯·普朗克人工智能研究所） ； McGill（麦吉尔大学） ； UCLA（加州大学洛杉矶分校） ； Stanford（斯坦福大学） ； Salesforce ； Google（谷歌） ； Meta ； Roblox ； Cisco（思科） ； Capital One 纠错

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

AI总结 本文综述了基础智能体内存机制，从内存基质、认知机制和主体维度分析内存在不同拓扑结构下的实现，并探讨内存操作的学习策略与评估指标。

Comments Accepted at Transactions on Machine Learning Research (TMLR) with Survey Certification. Project page: https://github.com/AgentMemoryWorld/Awesome-Agent-Memory

Contextual Agentic Memory is a Memo, Not True Memory

情境代理记忆是一种备忘录，而非真正的记忆

Binyan Xu, Xilin Dai, Kehuan Zhang

机构 * The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本文指出当前代理记忆系统仅实现查找而非记忆，导致代理能力、长期学习和安全性的局限，提出生物智能通过结合快速海马体示例存储与慢速新皮层权重巩固解决此问题。

ChronoMem: Version Control and Semantic Rollback for Large Language Model Agent Memory

ChronoMem：大语言模型智能体记忆的版本控制与语义回滚

Yongye Su, Wujiang Xu, Chaoji Zuo, Elisa Bertino

机构 * Purdue University（普渡大学） ； Rutgers University（罗格斯大学） 纠错

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

AI总结 ChronoMem是集成于Google开源智能体开发套件的语义版本控制层，首次实现LLM智能体记忆的语义全局回滚，在长周期对话基准中显著提升回滚一致的问答与历史总结性能。

ABot-AgentOS: A General Robotic Agent OS with Lifelong Multi-modal Memory

ABot-AgentOS：一个具有终身多模态记忆的通用机器人智能体操作系统

Jiayi Tian, Shiao Liu, Yuting Xu, Jia Lu, Zihao Guan, Honglin Han, Di Yang, Minqi Gu, Yifei Qian, Tianlin Zhang, Yanqing Zhu, Zeqian Ye, Menglin Yang, Fei Wang, Xu Hu, Xiuxian Li, Wei Zhang, Shihui Su, Yiyan Ji, Jingbo Wang, Ziteng Feng, Jiaheng Liu, Zhaoxiang Zhang, Xiaolong Wu, Zixiao Tang, Zhining Gu, Yang Cai, Linbo Zheng, Jingjing Ma, Mingyang Yin, Zedong Chu, Wenbin Tang, Mu Xu

机构 * AMAP CV Lab（AMAP计算机视觉实验室） 纠错

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

AI总结 研究针对长期具身智能体运行需求，提出ABot-AgentOS通用机器人智能体操作系统，引入EmbodiedWorldBench基准，采用通用多模态图记忆及失败驱动自我进化循环，在相关测试中表现良好，证明该系统层可提升具身执行并提供持久记忆。

Comments Code: https://github.com/amap-cvlab/ABot-AgentOS Project page: https://amap-cvlab.github.io/ABot-AgentOS

Autonomous computational catalysis through an agentic research system

自主计算催化：通过智能体研究系统

Honghao Chen, Jiangjie Qiu, Yi Shen Tew, Xiaonan Wang

机构 * Beijing Key Laboratory of Artificial Intelligence for Advanced Chemical Engineering Materials, State Key Laboratory of Chemical Engineering and Low- Carbon Technology, Department of Chemical Engineering, Tsinghua University（北京先进化工材料人工智能重点实验室、化学工程与低碳技术国家重点实验室、清华大学化学工程系） 纠错

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

AI总结 提出CatMaster催化原生智能体研究系统，将自然语言请求转化为计算研究，实现从建模到闭环催化剂设计的自主执行，在CO2-to-CO催化剂设计中识别出竞争性活性位点。

Comments 25 pages for main manuscript; SI not available here

MemAgent: Reshaping Long-Context LLM with Multi-Conv RL-based Memory Agent

MemAgent：基于多轮对话强化学习的记忆智能体重构长上下文大语言模型

Hongli Yu, Tinghong Chen, Jiangtao Feng, Jiangjie Chen, Weinan Dai, Qiying Yu, Ya-Qin Zhang, Wei-Ying Ma, Jingjing Liu, Mingxuan Wang, Hao Zhou

机构 * ByteDance Seed（字节跳动种子期） ； Institute for AI Industry Research (AIR)（人工智能产业研究院） ； Tsinghua University（清华大学） 纠错

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

AI总结 该研究提出MemAgent智能体工作流，结合扩展的DAPO算法优化长文本任务，实现从8K到3.5M上下文的高效外推，在RULER测试中表现优异。

Comments Accepted to ICLR 2026 as an Oral presentation. OpenReview: https://openreview.net/forum?id=k5nIOvYGCL Project page: https://memagent-sialab.github.io/

Journal ref International Conference on Learning Representations (ICLR), 2026

EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective

EvoMemBench: 从自演化视角评估智能体记忆

Yuyao Wang, Zhongjian Zhang, Mo Chi, Kaichi Yu, Yuhan Li, Miao Peng, Bing Tong, Chen Zhang, Yan Zhou, Jia Li

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Createlink Technology（创-link科技） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Beijing Institute of Technology（北京理工大学） 纠错

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

AI总结 本文提出EvoMemBench，从自演化视角评估智能体记忆，通过内存范围和内容两个维度构建统一基准，比较15种内存方法并发现当前内存系统尚未达到通用解决方案，长上下文基线仍具竞争力，内存在上下文不足或任务困难时效果显著，检索方法在知识密集型任务中表现优异，而程序和长期记忆方法在任务结构匹配时更有效。

Living-Harness Is an Interactive-Agent Evolver

Living-Harness：一种交互式智能体演化器

Yuetian Du, Yucheng Wang, He Xu, Jiexu Xu, Shanwen Tan, Bing Zhao, Boyu Yang, Zhijie Xu, Ming Kong, Hu Wei, Jie Liu, Qiang Zhu

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

AI总结 该研究提出自演化智能体harness Living-Harness，基于Evolution-SOP生成两类过程性知识，在8个交互式环境中大幅提升Pass@1，支持跨模型主干复用演化后的harness状态。

SwiftMem: Fast Agentic Memory via Query-aware Indexing

SwiftMem: 通过查询感知索引实现快速代理记忆

Anxin Tian, Yiming Li, Xing Li, Hui-Ling Zhen, Lei Chen, Xianzhi Yu, Zhenhua Dong, Mingxuan Yuan

机构 * Huawei, Hong Kong（华为（香港）） 纠错

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

AI总结 SwiftMem通过查询感知索引实现快速代理记忆，提升检索效率并降低延迟，适用于实际部署的内存增强LLM代理。

Automating the Design of Embodied Agent Architectures

具身智能体架构设计的自动化

Jian Zhou, Sihao Lin, Jin Li, Shuai Fu, Gengze Zhou, Qi Wu

机构 * Australian Institute for Machine Learning, University of Adelaide, SA, Australia（澳大利亚机器学习研究所，阿德莱德大学，南澳大利亚州，澳大利亚） 纠错

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

AI总结 提出AgentCanvas运行时和KDLoop搜索过程，将架构搜索扩展到感知型具身智能体，在视觉-语言导航等任务上取得性能提升，但面临噪声、局部最优和信用分配等挑战。

Memory-Augmented Reinforcement Learning Agent for CAD Generation

具有记忆增强的强化学习代理的CAD生成

Yin Xiaolong, Liu Yu, Shen Jiahang, Lu Xingyu, Ni Jingzhe, Fan Fengxiao, Sang Fan

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出了一种记忆增强的强化学习框架，用于生成CAD模型，通过引入强化学习进行检索和策略优化，有效避免了检索陷阱，提高了复杂CAD模型生成的成功率和几何一致性。

Comments We are withdrawing this manuscript because we have identified issues in the current analysis that require substantial revision. Until these issues are resolved, we do not consider the present version suitable for citation

GraphWalker: Agentic Knowledge Graph Question Answering via Synthetic Trajectory Curriculum

GraphWalker: 通过合成轨迹课程实现基于知识图谱的代理问答

Shuwen Xu, Yao Xu, Jiaxiang Liu, Chenhao Yuan, Wenshuo Peng, Jun Zhao, Kang Liu

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 纠错

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

AI总结 GraphWalker通过自动化轨迹合成和分阶段微调解决知识图谱问答中的探索与泛化问题，提升轻量强化学习性能，在CWQ和WebQSP上取得最优效果。

Comments COLM 2026

Bridging the Cognitive Gap: A Unified Memory Paradigm for 6G Agentic AI-RAN

弥合认知鸿沟：面向6G智能AI-RAN的统一记忆范式

Xijun Wang, Zhaoyang Liu, Chenyuan Feng, Xiang Chen, Howard H. Yang, Tony Q. S. Quek

机构 * Sun Yat-sen University, China（中山大学，中国） ； Zhejiang University, China（浙江大学，中国） ； University of Exeter, U.K.（埃克塞特大学，英国） ； Singapore University of Technology and Design, Singapore（新加坡科技设计大学，新加坡） ； Purple Mountain Laboratories, Nanjing, China（紫金山实验室，南京，中国） 纠错

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

AI总结 本文提出一种统一记忆范式，通过将生物记忆层次映射到异构计算架构，弥合感知与推理之间的鸿沟，实现6G网络中自主决策的跨时间尺度状态共享。

Comments This work has been submitted to the IEEE for possible publication

Agentic Graph Retrieval-Augmented Generation for Auditable Commercial Registry Analysis

代理图RAG：利用协作AI导航无结构财务数据

Arthur Capozzi, Dirk Helbing

机构 * Computational Social Science ETH Zürich（计算社会科学 ETH 瑞士 Zurich） ； Computational Social Science, ETH Complexity Science Hub Zürich（计算社会科学 ETH 复杂性科学中心 Zurich） ； ETH Complexity Science Hub Zürich, Switzerland（ETH 复杂性科学中心 Zurich 瑞士） ； Vienna, Austria（维也纳 奥地利） 纠错

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

AI总结 本文提出了一种协作代理图RAG框架，用于专家分析商业登记数据。通过构建Neo4j知识图谱，结合确定性节点摄入、LLM提取弱节点以及确定性身份解析和去重，提升了多跳、时间相关和实体中心的查询能力。

Position: Collaborative Agentic AI Needs Interoperability Across Ecosystems

立场：协作式自主AI需要跨生态系统的互操作性

Rishi Sharma, Martijn de Vos, Pradyumna Chari, Ramesh Raskar, Anne-Marie Kermarrec

机构 * EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院） 纠错

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

AI总结 本文提出通过采用最小标准实现互操作性，以构建开放、安全、可扩展的自主代理生态系统，并设计了名为“代理网络”的架构基础。

Comments Accepted at ICML 2026

FundaPod: A Multi-Persona Agent Pod Platform with Knowledge Graph Memory for AI-Assisted Fundamental Investment Research

FundaPod: 一个具有知识图谱记忆的多角色智能体平台，用于AI辅助的基础投资研究

Di Zhu, Lei Nico Zheng, Zihan Chen

机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； UMass Boston（马萨诸塞大学波士顿分校） 纠错

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

AI总结 提出FundaPod平台，通过多角色独立研究、知识图谱记忆和事后裁决机制，支持人类投资经理进行透明、可验证的基础投资决策。

Comments 32 pages; 12 figures

Learning to Share: Selective Memory for Efficient Parallel Agentic Systems

学习共享：面向高效并行智能体系统的选择性记忆

Joseph Fioresi, Parth Parag Kulkarni, Ashmal Vayani, Song Wang, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida, Orlando, United States（人工智能研究所，中央佛罗里达大学，奥兰多，美国） 纠错

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

AI总结 提出LTS机制，通过强化学习训练控制器选择性共享跨团队中间信息，在减少并行智能体系统计算开销的同时保持或提升任务性能。

Comments ICML 2026

DeltaBox: Scaling Stateful AI Agents with Millisecond-Level Sandbox Checkpoint/Rollback

DeltaBox: 通过毫秒级沙箱检查点/回滚扩展状态化AI代理

Yunpeng Dong, Jingkai He, Shiqi Liu, Yuze Hou, Dong Du, Zhonghu Xu, Si Yu, Baochuan Yang, Yubin Xia, Haibo Chen

机构 * Institute of Parallel and Distributed Systems, Shanghai Jiao Tong University（并行与分布式系统研究所，上海交通大学） ； Engineering Research Center for Domain-specific Operating Systems, Ministry of Education, China（领域特定操作系统工程研究中心，中华人民共和国教育部，中国） ； Huawei Technologies Co., Ltd（华为技术有限公司） 纠错

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

AI总结 本文提出DeltaBox，一种通过DeltaFS和DeltaCR机制实现毫秒级检查点/回滚的新型AI代理沙箱，解决了传统方法在高频状态探索中的延迟问题。

A stochastic agent-based extension of the GSM2 model for particle therapy: cell-cycle dynamics, dose-rate dependence, and fractionation effects

一种用于粒子治疗的GSM2模型的随机基于代理的扩展：细胞周期动力学、剂量率依赖性和分次照射效应

Francesco G. Cordoni, Marco Battestini, Marta Missiaggia

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

AI总结 本文提出一种随机基于代理的建模框架，用于模拟粒子照射的生物响应，通过显式耦合粒子到达、损伤积累和修复动力学，揭示剂量率对细胞存活的影响。

SAGE: A Novelty Gate for Efficient Memory Evolution in Agentic LLMs

SAGE: 一种用于智能体大语言模型中高效记忆演化的新颖门控机制

Sijia Wang, Dhanajit Brahma, Ricardo Henao

机构 * Duke University（杜克大学） 纠错

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

AI总结 提出SAGE门控机制，基于von Mises-Fisher密度估计和自适应阈值，将记忆写入控制建模为新奇性检测问题，在LoCoMo上以更低成本实现最优token-F1。

ECHO: A Locally-Deployable Agentic Health Assistant with Temporal Memory, Safety Guardrails, and Speech Assessment

ECHO：具备时序记忆、安全护栏与语音评估功能的本地可部署智能体式健康助手

Abdulkadir Külçe, Alihan Esen, Çağla Fikir, Berke Kurt, Kuzey Arar, Gökhan Ercan, Faik Boray Tek

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

AI总结 本文提出具备时序记忆、安全护栏与语音评估功能的本地可部署智能体式健康助手ECHO，其核心聊天机器人、安全层、语音评估模块均达特定性能指标，且可在消费级硬件运行，符合数据保护法规。

Comments 5 pages

RoMeRL: Balancing Feedback Coverage and the Memory-Reward Trap in Self-Evolving Agent Memory via Reduced-Order Utility States

RoMeRL：通过降阶效用状态平衡自进化智能体记忆中的反馈覆盖与记忆-奖励陷阱

Yi Yang, Zhennan Chen, Yihong Zhuang, Tiehan Fan, Yinan Chen, Jian Li, Jian Yang, Ying Tai

机构 * Nanjing University（南京大学） ； Xiamen University（厦门大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 RoMeRL通过降阶效用状态解决自进化LLM智能体记忆的反馈分散与记忆-奖励陷阱问题，在ALFWorld等基准上显著提升任务性能、降低记忆规模与LLM调用

SpecBox: Speculative Sandbox Scheduling for Efficient LLM Agent Serving

SpecBox：用于高效大语言模型智能体服务的推测性沙盒调度

Yihui Zhang, Tianyu Wo, Jinghao Wang, Xiaoyang Sun, Menghao Zhang, Cangzhou Yuan, Li Li, Chunming Hu, Albert Y. Zomaya, Renyu Yang

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

AI总结 研究大语言模型智能体服务中沙盒部署的资源利用与延迟矛盾，提出SpecBox，通过推测性沙盒预分配、上下文感知随机预取及相关优化，有效降低端到端延迟并削减峰值内存消耗。