From Assistant to Double Agent: Formalizing and Benchmarking Attacks on OpenClaw for Personalized Local AI Agent
Xidian University（西安电子科技大学）；Data Science & Artificial Intelligence Research Institute（数据科学与人工智能研究院）
本文提出个性化代理安全评估框架 PASB，用于评估 OpenClaw 在现实部署中的安全风险，揭示其在多个执行阶段的关键漏洞。
2026-02-11 cs.AI
Towards Self-organizing Personal Knowledge Assistants in Evolving Corporate Memories
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；RPTU Kaiserslautern-Landau（凯泽斯劳滕-兰道莱茵兰-普法尔茨技术大学）
本文回顾了十年来自组织个人知识助手在演化企业记忆中的研究，总结了知识图谱构建、Managed Forgetting 等方法及 CoMem 工业应用，指出提升自动化是未来方向。
2023-08-03 cs.AI
A Grounded Memory System For Smart Personal Assistants
Honda Research Institute Europe（本田研究院欧洲分部）
本文提出一种面向智能个人助理的接地记忆系统，通过视觉语言模型与大型语言模型协同感知、向量增强知识图谱存储，并结合语义搜索与图查询的 RAG 问答，支撑现实场景应用。
2025-05-09 cs.AI
Personalized Large Language Model Assistant with Evolving Conditional Memory
The Hong Kong Polytechnic University（香港理工大学）；INF Technology (Shanghai) co., Ltd.（INF科技（上海）有限公司）；Institute of Artificial Intelligence, Soochow University, China（苏州大学人工智能研究院）
本文提出一个即插即用的框架，通过演化条件记忆机制保存用户历史对话知识，实现个性化大语言模型助手，并构建首个评估基准验证了其有效性。
2024-10-13 cs.AI cs.CL
CI-Bench: Benchmarking Contextual Integrity of AI Assistants on Synthetic Data
Google Deepmind（谷歌DeepMind）；Google Research（谷歌研究院）
本文提出CI-Bench基准，利用Contextual Integrity框架和合成数据流水线生成4.4万个测试样本，系统评估AI助手在模型推理中保护个人隐私信息的能力。
2024-09-20 cs.AI
Algorithmic support of a personal virtual assistant for automating the processing of client requests
College of Information Technologies and Computer Sciences NUST MISIS（莫斯科国立钢铁合金学院信息技术与计算机科学学院）
本文描述了为个人虚拟助理的功能创建算法支持，这允许自动处理客户请求。这项研究旨在减少错误和处理时间的客户端请求的业务系统-文本聊天或语音通道使用文本转录系统。算法支持的发展和工作质量评估的结果合成数据。
2022-03-27 cs.AI cs.HC cs.LG
Towards Ethical Personal AI Applications: Practical Considerations for AI Assistants with Long-Term Memory
Massachusetts Institute of Technology（麻省理工学院）
本文针对具备长期记忆的个人AI伴侣与助手应用兴起带来的新挑战，从技术基础、现有产品调研、部署使用关键考量三方面，用整体性方法探究其构建与部署的广泛伦理与实践影响。
2024-09-17 cs.AI cs.CY cs.HC
Memorizing Who, Knowing How: Benchmarking Personal and Procedural Memory for Persistent Assistants
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）
本研究推出PraxisMemBench基准，发现现有方法难以协同维护个人与程序记忆，进而提出PraxisMem模型，其会话成功率达40.78%，显著优于Claude Code原生记忆。
2026-10-21 cs.AI
Perspectives for Evaluating Conversational AI
DA-IICT（印度达赫巴伊·安贝德卡信息与通信技术学院）
对话式人工智能系统在日常生活中越来越出名。在本文中，我们试图解决以下关键问题：确定面向搜索的对话式AI的设计和开发工作是否成功。在对话式AI的情况下定义“成功”是很棘手的，同样棘手的部分是使用适当的指标来评估对话式AI。我们提出了四个不同的角度，即用户体验，信息检索，语言和人工智能的评估对话式人工智能系统。另外，提供了会话AI系统的背景细节，包括个人助理的期望特性、聊天机器人与基于AI的个人助理之间的差异。个性化的重要性以及如何实现它详细解释。还强调了当前开发理想的对话式人工智能（个人助理）的挑战，以及为用户实现个性化体验的指导方针。
2017-09-14 cs.AI
OmniAcc: Personalized Accessibility Assistant Using Generative AI
Miami University of Ohio（俄亥俄迈阿密大学）
OmniAcc 利用 GPT-4、卫星图像和 OpenStreetMap 数据，通过零样本学习实现 97.5% 准确率的无障碍特征检测，提供个性化路线规划和实时导航，助力行动不便者与城市规划。
2025-09-08 cs.AI
Widening the Dialogue Workflow Modeling Bottleneck in Ontology-Based Personal Assistants
SRI International（SRI国际公司）
我们提出了一种新的方法来对话规范的虚拟个人助理（VPAs）的基础上所谓的对话工作流图，与目前基于本体的方法相比，有几个表现出的优势。我们新的对话规约语言（DSL）使客户能够更轻松地参与VPA建模过程，因为它具有用户友好的建模框架。由此产生的模型也显着更紧凑。VPA可以更快地开发。DSL是我们基于本体的对话管理（DM）框架OntoVPA之上的一个新的建模层。我们解释了新语言背后的原理和好处，并通过最近两个OntoVPA项目的具体减少工作量水平（LOE）数字来支持我们的主张。
2020-11-16 cs.AI cs.CL cs.HC
$π$-Bench: Evaluating Proactive Personal Assistant Agents in Long-Horizon Workflows
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）；Fudan University（复旦大学）；University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）；Nanjing University（南京大学）；Zhejiang University（浙江大学）；Tongji University（同济大学）；Soochow University（苏州大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出$π$-Bench基准，用于评估个人助理代理在长周期工作流中的主动协助能力，通过100个多轮任务和5种特定领域用户角色，验证代理在未明确表达意图前识别和执行隐藏意图的能力，揭示主动协助的挑战及前期交互对后续任务的重要性。
2026-05-19 cs.AI
Claw-Anything: Benchmarking Always-On Personal Assistants with Broader Access to User's Digital World
Beijing Institute of Technology（北京理工大学）；Huawei Technologies Co., Ltd（华为技术有限公司）；Peking University（北京大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
提出Claw-Anything基准测试，通过扩展长期活动历史、相互依赖的后端服务以及跨多设备的GUI和CLI交互三个维度，评估大型语言模型代理在始终在线环境下的性能，发现GPT-5.5仅达34.5% pass@1，并发布自动化数据生成管道提升基线模型23.7%。
2026-05-25 cs.AI
Towards Next-Generation Recommender Systems: A Benchmark for Personalized Recommendation Assistant with LLMs
The Hong Kong Polytechnic University（香港理工大学）；Baidu Inc.（百度公司）
本文提出RecBench+数据集，用于评估LLM在复杂用户推荐任务中的能力，揭示LLM在处理条件查询时的优势及推理挑战。
2026-02-02 cs.AI cs.IR
GOD model: Privacy Preserved AI School for Personal Assistant
PIN AI
提出GOD模型，一种在设备端训练和评估个人AI助理的隐私保护框架，通过模拟查询、课程学习和代币激励解决冷启动问题，实现个性化推荐与数据安全。
2025-02-27 cs.AI cs.CR cs.LG
Leveraging Personal Navigation Assistant Systems Using Automated Social Media Traffic Reporting
Stevens Institute of Technology（史蒂文斯理工学院）
现代城市化需要更智能的技术来改善智能交通系统的各种应用，以缓解日益增加的车辆交通拥堵和事故。现有的事件检测技术仅限于在交通网络中使用传感器，并依赖于人为输入。尽管其数据丰富，但社交媒体在这种情况下并没有得到很好的利用。在本文中，我们开发了一个基于自然语言处理（NLP）的自动交通警报系统，该系统可以过滤大量信息并提取重要的交通相关信息。为此，我们采用微调双向编码器表示从Transformers（BERT）语言嵌入模型，以过滤相关的交通信息，从社会媒体。然后，我们应用问答模型来提取必要的信息，表征报告事件，如其确切的位置，发生时间和事件的性质。我们证明了所采用的NLP方法优于其他现有方法，在有效训练它们之后，我们专注于现实世界的情况，并展示了所开发的方法如何实时提取交通相关信息并自动将其转换为导航辅助应用程序（如导航应用程序）的警报。
2020-04-21 cs.AI cs.CL
ReGraP-LLaVA: Reasoning enabled Graph-based Personalized Large Language and Vision Assistant
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究所）；School of Engineering, Westlake University（西湖大学工程学院）；University of Minnesota – Twin Cities（明尼苏达大学双城分校）；University of Toronto（多伦多大学）
针对现有个性化多模态大语言模型忽略概念关联的局限，本文构建ReGraP数据集与基准，提出ReGraP-LLaVA模型，实现个性化关系推理，在对比基准中性能最优。
2026-09-01 cs.AI cs.CV
Artificial Intelligence-Enabled Intelligent Assistant for Personalized and Adaptive Learning in Higher Education
University of Iowa（爱荷华大学）；IIHR Hydroscience and Engineering（IIHR水科学与工程研究所）；Center for Health Effects of Environmental Contamination（环境污染物健康影响中心）
本文提出AIIA框架，利用AI与NLP技术为高等教育提供个性化自适应学习支持，包括答疑、生成测验和个性化路径，并探讨其架构、服务及与LMS的集成。
2023-09-19 cs.AI cs.HC cs.IR
Different but Equal: Comparing User Collaboration with Digital Personal Assistants vs. Teams of Expert Agents
IBM Research – Brazil（IBM研究院（巴西））
这项工作比较了用户与会话式个人助理的协作与专家聊天机器人团队的协作。进行了两项研究，以调查是否每种方法影响任务的完成和协作成本。参与者与两个等效的金融建议聊天机器人系统进行交互，一个由一个对话顾问组成，另一个基于四个专家聊天机器人团队。结果表明，用户有不同形式的经验，但同样能够实现自己的目标。与预期相反的是，有证据表明，在团队合作的情况下，用户更能够更好地预测代理的行为，并没有开销来维持共同点，这表明类似的协作成本。结果指向的两种方法中的任何一种的用户与会话代理的合作的可行性。
2018-08-24 cs.AI cs.HC cs.MA
PreCare: Designing AI Assistants for Advance Care Planning (ACP) to Enhance Personal Value Exploration, Patient Knowledge, and Decisional Confidence
National Taiwan University（台湾国立大学）；Vilnius University（维尔纽斯大学）；University of California Berkeley（加州大学伯克利分校）；National Taiwan University Hospital（台湾国立大学医院）
本文针对在线ACP缺乏个性化价值探索与即时后果澄清的问题，设计含3个AI助手的PreCare网站，并通过可用性与比较研究验证其可提升价值观探索、知识和决策信心。
2025-05-14 cs.AI cs.HC
An Intelligent Personal Robot Assistant
近年来，人形机器人的发展对人机交互通信提出了新的挑战。一个主要的挑战是开发能够以最自然的方式表现得像人类并与人类互动的机器人。本文提出了一个系统，开发一个机器人，可以接受命令，并与人交谈的自然语言。此外，机器人还可以被“训练”成为特定领域的专家，为人类提供专家建议。最重要的是，机器人可以通过面部表情，语音和手势来表达情感，使交互过程变得更加全面和引人注目。
2014-12-02 cs.AI cs.HC cs.RO
Context-Aware Target Apps Selection and Recommendation for Enhancing Personal Mobile Assistants
University of Amsterdam（阿姆斯特丹大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Università della Svizzera italiana (USI)（瑞士意大利语区大学）
用户在他们的智能手机上安装许多应用程序，从而引发了与用户信息过载和设备资源管理相关的问题。此外，最近个人助理的使用增加使得移动设备在用户的生活中更加普遍。本文讨论了两个研究问题，开发有效的个人移动助理是至关重要的：目标应用程序的选择和推荐。前者是统一移动搜索系统的关键组成部分：该系统以统一的访问模式解决用户对安装在其设备上的所有应用程序的信息需求。相反，后者预测用户想要启动的下一个应用程序。在这里，我们专注于上下文感知模型，以利用丰富的上下文信息提供给移动设备。我们设计了一个原位研究，收集数以千计的移动查询丰富的移动传感器数据（现在公开用于研究目的）。借助该数据集，我们研究了这些任务背景下的用户行为，并提出了一系列上下文感知神经模型，这些模型考虑了用户的顺序，时间和个人行为。我们研究了几种最先进的模型，并表明所提出的模型显着优于基线。
2021-01-09 cs.AI cs.HC cs.IR
Big Help or Big Brother? Auditing Tracking, Profiling, and Personalization in Generative AI Assistants
UC Davis（加州大学戴维斯分校）；UNIRC（意大利国家研究委员会）；UCL（伦敦大学学院）；UC3M（马德里卡洛斯三世大学）
本文审计十款主流 GenAI 浏览器扩展，结合流量分析与提示框架，揭示其自动收集并共享网页、表单及敏感信息、跨场景画像并个性化响应的隐私风险。
2025-06-10 cs.AI cs.CL cs.CR
Exploring User Acceptance Of Portable Intelligent Personal Assistants: A Hybrid Approach Using PLS-SEM And fsQCA
Shenzhen University（深圳大学）
本研究以Rabbit R1为例，将AI特定因素与界面设计因素融入TAM，结合PLS-SEM和fsQCA分析824名美国用户数据，揭示了影响便携式智能个人助理接受度的关键路径与组态。
2024-08-30 cs.AI cs.HC
DRISHTI: Visual Navigation Assistant for Visually Impaired
Ajay Kumar Garg Engineering College（Ajay Kumar Garg 工程学院）
在当今社会，独立生活变得越来越重要，这对那些盲人来说可能是非常严格的。盲人和视障人士面临挑战，因为他们需要人工支持来提示有关其环境的信息。在这项工作中，我们朝着开发一种价格合理且高性能的眼睛可穿戴辅助设备DRISHTI迈出了第一步，为BVI人提供视觉导航辅助。该系统包括相机模块，ESP32处理器，蓝牙模块，智能手机和扬声器。使用人工智能，该系统被提出来检测和理解用户的路径的性质以及在该路径中用户前方的障碍物，然后经由音频输出将其告知BVI用户，以使他们能够在他们的旅程中自己获取方向。本文讨论的第一步是通过在低成本嵌入式设备上测试货币检测算法的初始软件集成，建立一个概念验证，以实现可负担性和性能的正确平衡。这项工作将为我们即将开展的工作奠定基础，以实现帮助全球最大限度地实现BVI人民独立行动的目标。
2023-03-13 cs.AI cs.HC
Org-Agent: Beyond Personal Assistants Towards Organizational Agents
The Hong Kong Polytechnic University（香港理工大学）
Org-Agent提出以约束为中心的推理框架，通过任务分解、依赖图与拓扑排序，实现跨用户协调与记忆利用，在MUSES-Bench和GroupMemBench上验证了有效性。
2026-09-29 cs.AI
MemSim: A Bayesian Simulator for Evaluating Memory of LLM-based Personal Assistants
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Huawei Technologies Ltd.（华为技术有限公司）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出MemSim贝叶斯模拟器，通过BRNet和因果生成机制自动构建可靠QA，并生成MemDaily数据集，为评估基于LLM的个人助手记忆能力提供基准。
2024-09-30 cs.AI cs.CL
Deaf and Hard of Hearing Access to Intelligent Personal Assistants: Comparison of Voice-Based Options with an LLM-Powered Touch Interface
Gallaudet University（加拉维特大学）；University of California, Berkeley（加州大学伯克利分校）；Pennsylvania State University（宾夕法尼亚州立大学）
本研究比较了语音识别与LLM驱动触控界面在聋人和听力障碍者使用智能个人助手中的可用性，发现两者无显著差异，但需改进对聋人语音的识别能力。
2026-01-22 cs.AI cs.HC
REMI: A Novel Causal Schema Memory Architecture for Personalized Lifestyle Recommendation Agents
Radian Group Inc.（Radian集团）；Sri Sivasubramaniya Nadar College Of Engineering（Sri Sivasubramaniya纳达尔工程学院）；Amazon（亚马逊）
本文提出REMI因果模式记忆架构，通过个人因果图、因果推理和模式规划，结合大语言模型，实现可解释的个性化生活方式推荐，并引入新评估指标验证其优于基线LLM代理。
2025-09-08 cs.AI
SPIEval: Evaluating Large Language Models as Mobile Assistants over Scattered Personal Information
Fudan University（复旦大学）；Tencent Hunyuan Team（腾讯混元团队）
本研究推出基于五种认知能力的人工策划基准SPIEval，评估9种LLMs作为移动助手处理分散个人信息的能力，发现其准确率最高仅57.3%，存在信息定位等显著局限。
2026-08-12 cs.AI cs.CL
VisionAId: An Offline-First Multimodal Android Assistant for People with Visual Impairment, Featuring Personalized Object Retrieval
The Military Technical Academy ``Ferdinand I'', Bucharest, Romania（费迪南军事技术学院）
提出离线优先多模态安卓助手VisionAId，集成六种端上深度学习模型，通过少样本流水线实现个性化物品检索，结合AR标记、空间音频和距离比例触觉反馈引导用户。
2026-07-03 cs.AI cs.CV
ScheduleMe: Multi-Agent Calendar Assistant
Department of Computer Science & Engineering, University of Moratuwa（moratuwa大学计算机科学与工程系）；WSO2 LLC（WSO2公司）
本文提出ScheduleMe，一种多智能体日历助手，通过自然语言帮助用户管理Google日历事件。系统采用图结构协调机制，通过中央监督代理和专用任务代理实现模块化、冲突解决和上下文感知交互。
2026-03-18 cs.AI
ASTRA-bench: Evaluating Tool-Use Agent Reasoning and Action Planning with Personal User Context
Apple（苹果公司）
ASTRA-bench通过模拟真实用户情境，评估AI代理在复杂个人上下文中进行推理与多步骤计划的能力，揭示当前模型在处理高复杂度任务时的性能瓶颈。
2026-11-06 cs.AI
Towards Integrative Multi-Modal Personal Health Navigation Systems: Framework and Application
Zepp Health（华米科技）
众所周知，个人的健康轨迹受到每个时刻所做选择的影响，例如生活方式或医疗决定。随着现代传感技术的出现，个人拥有的关于自己的数据和信息比历史上任何时候都多。我们如何使用这些数据来做出最佳决策，以保持最佳的健康状态？我们提出了一个广义的个人健康导航（PHN）框架。PHN通过一个系统将个人带向他们的个人健康目标，该系统永久地存储数据流，估计当前的健康状况，利用个人模型计算通过中间状态的最佳路线，并指导将用户带向他们的目标的最佳输入。除了描述的一般框架，我们测试的PHN系统在心脏病学领域内的两个实验。首先，我们前瞻性地测试了一个知识注入的心血管PHN系统与试点临床试验的41名用户。其次，我们在33，269名真实用户的智能手表数据集上建立了一个关于心血管运动反应变异性的数据驱动的个性化模型。我们的结论与健康计算的PHN系统，需要深入的未来调查的关键挑战。
2022-05-18 cs.AI cs.MM
Who Keeps the Gains from Personal AI Assistants? Seller Adaptation and the Unassisted in a Language-Model Market Simulation
Princeton University（普林斯顿大学）；New York University（纽约大学）
本研究通过语言模型市场模拟，发现个人AI助手的节省收益部分被卖方适应所侵蚀，且无助手消费者负担未显著增加，强调应在市场层面评估助手效果。
2026-10-06 cs.AI cs.MA econ.GN
Architectural Middleware that Supports Building High-performance, Scalable, Ubiquitous, Intelligent Personal Assistants
Carnegie Mellon University（卡内基梅隆大学）
智能个人助理（IPAs）是一种软件代理，可以代表个人执行任务，并协助他们进行许多日常活动。IPA能力由于诸如自然语言处理、机器学习、人工认知和普适计算等领域的最新进展而迅速扩展，这些领域使代理具有理解用户说什么、从日常普适设备（例如，智能手机、可穿戴设备、平板电脑、笔记本电脑、汽车、家用电器等），了解用户偏好、提供数据驱动搜索结果并根据用户上下文做出决策。除了构建这种投资促进机构的固有复杂性之外，开发人员和研究人员还必须解决许多关键的架构挑战（例如，低延迟、可扩展性、并发性、普遍性、代码移动性、互操作性、对认知服务和推理的支持，仅举几例。），从而使它们偏离了主要目标：建立投资促进机构。因此，我们在本文中的贡献是双重的：1）我们提出了一个平台无关的，高性能的，无处不在的，和分布式的中间件，通过添加多个抽象层，隐藏底层的复杂性，消除了构建IPA时处理底层实现细节的繁重任务的体系结构;以及2）我们提出了一个具体化上述体系结构的中间件的实现，并允许开发高性能的这意味着，您可以轻松地将系统扩展到数十万个IPA，同时无需额外努力。我们展示了我们的中间件的强大功能，通过分析软件指标的复杂性，努力，性能，凝聚力和耦合时，开发一个会话IPA。
2019-06-05 cs.AI cs.PF cs.SE
Lio -- A Personal Robot Assistant for Human-Robot Interaction and Care Applications
F&P Robotics（F&P机器人公司）
Lio是一个移动机器人平台，具有多功能手臂，专门用于人机交互和个人护理助理任务。该机器人已被部署在几个医疗机构，在那里它可以自主运行，每天为工作人员和患者提供帮助。Lio具有内在的安全性，它采用柔软的人造皮革材料，并具有碰撞检测、有限的速度和力量。此外，机器人具有顺应性运动控制器。视觉、音频、激光、超声波和机械传感器的组合用于安全导航和环境理解。支持ROS的设置允许研究人员访问原始传感器数据，并直接控制机器人。Lio友好的外观使其深受医护人员和患者的欢迎。通过灵活的决策引擎、自主导航和自动充电，完全自主操作成为可能。结合定时任务触发器，这使得Lio可以全天运行，电池寿命长达8小时，并在空闲时间充电。强大的机载计算单元组合提供了足够的处理能力，可以在机器人上部署基于人工智能和深度学习的解决方案，而无需将任何敏感数据发送到云服务，从而确保符合隐私要求。在COVID-19大流行期间，Lio被迅速调整以执行额外功能，如消毒和远程体温升高检测。它符合ISO 13482-个人护理机器人的安全要求，这意味着它可以直接在护理设施中进行测试和部署。
2020-06-16 cs.AI cs.HC cs.RO
Framework for A Personalized Intelligent Assistant to Elderly People for Activities of Daily Living
University of Cincinnati（辛辛那提大学）
提出个性化智能助手框架，通过分析用户任务、日常作息和情感状态，在IoT环境中辅助老年人执行日常生活活动，实验证明特定用户建模准确率达73.12%。
2021-06-29 cs.AI cs.CV cs.HC
Intelligent Assistant Language Understanding On Device
Apple（苹果公司）
本文提出一种设备端自然语言理解系统设计，相比服务器方案在隐私、可靠性、速度、表现力和准确性上更具优势，并分享了架构选择与实际部署经验。
2023-08-07 cs.AI cs.CL cs.LG
Context Aware AI Assistant and AR Interface for Lunar Extravehicular Activity (EVA) Procedural Guidance
MIT（麻省理工学院）
针对月球EVA中宇航员注意力分散导致的信息适配难题，提出GAIN-AI系统，通过两层架构结合大语言模型与AR界面，在111个合成EVA场景中取得良好表现。
2026-08-17 cs.AI cs.HC
TREC iKAT 2023: A Test Collection for Evaluating Conversational and Interactive Knowledge Assistants
University of Amsterdam（阿姆斯特丹大学）；University of Edinburgh（爱丁堡大学）；University of Strathclyde（思克莱德大学）
TREC iKAT 2023构建了包含36个个性化对话、20个主题和PTKB的测试集，通过344轮对话及多维度评估，为对话式搜索代理研究提供基准。
2024-05-04 cs.AI cs.CL cs.IR
Towards a Reliable Offline Personal AI Assistant for Long Duration Spaceflight
German Aerospace Center (DLR)（德国航空航天中心）；European Space Agency (ESA)（欧洲空间局）；University of Washington（华盛顿大学）
针对长期太空飞行中通信延迟和数据碎片化问题，本文提出将GPT、RAG、知识图谱和AR集成到METIS等AI助手中，以提升宇航员自主操作的安全性与效率。
2024-10-21 cs.AI cs.ET
MemArena: An Ego-Centric Benchmark for On-Device Agentic Personal Memory Assistants at Scale
MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本研究针对现有记忆基准测试的不足，构建了MemArena基准，评估了不同记忆后端对移动端个人记忆助手的影响，发现后端选择对内容准确性影响更大，权限感知访问失效，搜索延迟仅在阅读器规模极小时有影响。
2026-10-06 cs.AI cs.CL cs.LG
Help, Anna! Visual Navigation with Natural Multimodal Assistance via Retrospective Curiosity-Encouraging Imitation Learning
University of Maryland, College Park（马里兰大学帕克分校）；Microsoft Research（微软研究院）
可以利用人类帮助的移动代理可以完成比完全依靠自己更复杂的任务。我们开发“帮助，安娜！“（HANNA），一个交互式照片逼真的模拟器，其中代理通过请求和解释自然语言和视觉帮助来完成目标查找任务。在HANNA环境中解决任务的代理可以利用模拟的人类助手，称为ANNA（自动自然导航助手），根据请求，提供自然语言和视觉指令来指导代理实现目标。为了解决HANNA问题，我们开发了一个记忆增强的神经代理，它对多个层次的决策进行分层建模，以及一个模仿学习算法，该算法教导代理避免重复过去的错误，同时预测自己未来取得进展的机会。从经验上讲，我们的方法能够比竞争对手的基线更有效地寻求帮助，因此，在以前见过和以前看不见的环境中都能获得更高的任务成功率。我们在https://github.com/khanhptnk/hanna公开发布代码和数据。视频演示可在https://youtu.be/18P94aaaLKg上获得。
2019-11-22 cs.AI cs.CL cs.CV
LiveClawBench: Benchmarking LLM Agents on Complex, Real-World Assistant Tasks
Samsung Research（三星研究院）；HKUST (Guangzhou)（香港科技大学（广州））；Peking University（北京大学）；City University of Hong Kong（香港城市大学）
本文提出LiveClawBench基准，通过三轴复杂性框架评估LLM代理在真实世界助理任务中的表现，涵盖环境复杂性、认知需求和运行时适应性，为未来扩展提供基础。
2026-06-29 cs.AI cs.CL cs.LG
