AI Agent

Character-LLM: A Trainable Agent for Role-Playing

Yunfan Shao, Linyang Li, Junqi Dai, Xipeng Qiu

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

Comments To appear at EMNLP 2023; Repo at https://github.com/choosewhatulike/trainable-agents

Hybrid Search for Efficient Planning with Completeness Guarantees

Kalle Kujanpää, Joni Pajarinen, Alexander Ilin

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

Comments NeurIPS 2023 Poster

On the Planning, Search, and Memorization Capabilities of Large Language Models

Yunhao Yang, Anshul Tomar

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

Comments 13 pages, 2 figures

Ericson: An Interactive Open-Domain Conversational Search Agent

Zihao Wang, Ali Ahmadvand, Jason Choi, Payam Karisani, Eugene Agichtein

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

Comments pre-print

Planning and Learning Using Adaptive Entropy Tree Search

Piotr Kozakowski, Mikołaj Pacek, Piotr Miłoś

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

Agent-based Collaborative Random Search for Hyper-parameter Tuning and Global Function Optimization

Ahmad Esmaeili, Zahra Ghorrati, Eric T. Matson

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

Rapid trial-and-error learning with simulation supports flexible tool use and physical reasoning

Kelsey R. Allen, Kevin A. Smith, Joshua B. Tenenbaum

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

Comments This manuscript is in press at PNAS. It is an extended version of a paper "Rapid Trial-and-Error Learning in Physical Problem Solving" accepted for oral presentation at the 41st Annual Meeting of the Cognitive Science Society (2019). It represents ongoing work on the part of the authors

CAISE: Conversational Agent for Image Search and Editing

Hyounghun Kim, Doo Soon Kim, Seunghyun Yoon, Franck Dernoncourt, Trung Bui, Mohit Bansal

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

Comments AAAI 2022 (11 pages)

Emergence of Different Modes of Tool Use in a Reaching and Dragging Task

Khuong Nguyen, Yoonsuck Choe

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

Comments 11 pages, 10 figures, 14 pdf-embedded animations

Dream and Search to Control: Latent Space Planning for Continuous Control

Anurag Koul, Varun V. Kumar, Alan Fern, Somdeb Majumdar

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

Comments Preprint

On Value Functions and the Agent-Environment Boundary

Nan Jiang

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

Comments 16 pages

WES: Agent-based User Interaction Simulation on Real Infrastructure

John Ahlgren, Maria Eugenia Berezin, Kinga Bojarczuk, Elena Dulskyte, Inna Dvortsova, Johann George, Natalija Gucevska, Mark Harman, Ralf Lämmel, Erik Meijer, Silvia Sapora, Justin Spahr-Summers

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

Comments Author order is alphabetical. Correspondence to Mark Harman (markharman@fb.com). This paper appears in GI 2020: 8th International Workshop on Genetic Improvement

Proactive Intention Recognition for Joint Human-Robot Search and Rescue Missions through Monte-Carlo Planning in POMDP Environments

Dimitri Ognibene, Lorenzo Mirante, Letizia Marchegiani

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

Reasoning and Generalization in RL: A Tool Use Perspective

Sam Wenke, Dan Saunders, Mike Qiu, Jim Fleming

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

Comments 13 pages, 5 figures

A Deep Q-Learning Agent for the L-Game with Variable Batch Training

Petros Giannakopoulos, Yannis Cotronis

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

Analysis of Agent Expertise in Ms. Pac-Man using Value-of-Information-based Policies

Isaac J. Sledge, Jose C. Principe

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

Comments IEEE Transactions on Computational Intelligence and Artificial Intelligence in Games

Dissecting Agentic RAG: A Component Ablation for Multi-Hop QA with a Local 7B Model

解析智能体RAG：基于本地7B模型的多跳问答组件消融研究

Sheroz Shaikh

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 通过消融实验，发现固定混合检索和短检索循环对多跳问答贡献最大，自适应路由和深度循环并非必要。

Comments 8 pages, 4 figures, 4 tables. Code: https://github.com/sherozshaikh/agentic-rag-eval

Multi-modal Agent Tuning: Building a VLM-Driven Agent for Efficient Tool Usage

Zhi Gao, Bofei Zhang, Pengxiang Li, Xiaojian Ma, Tao Yuan, Yue Fan, Yuwei Wu, Yunde Jia, Song-Chun Zhu, Qing Li

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

Comments ICLR 2025, https://mat-agent.github.io/

EPM-RL: Reinforcement Learning for On-Premise Product Mapping in E-Commerce

EPM-RL：电商产品映射的强化学习方法

Minhyeong Yu, Wonduk Seo

机构 * AI Research, Enhans（AI研究，Enhans） 纠错

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

AI总结 本文提出EPM-RL框架，通过强化学习提升电商产品映射的准确性和效率，解决传统方法依赖外部API和高成本的问题，实现私有部署和低成本运营。

Comments preprint

Journal ref Proceedings of the AAAI Symposium Series, vol. 9, no. 1, p. 227, 2026

VIG-RL: Learning to Search and Insert for Verified Image Grounding

VIG-RL：学习搜索与插入以实现可验证的图像定位

Qinhan Yu, Jun Guang, Chong Chen, Wentao Zhang

专题命中 工具调用 ：agent(abstract)；autonomous agent(abstract)；workflow(abstract)；agentic(abstract)

AI总结 本文针对现有检索增强框架无法动态推理视觉证据插入时机与位置的问题，提出自主智能体框架VIG-RL，将相关工作流建模为主动决策过程，经强化学习优化后实现SOTA性能。

POINTS-Seeker: An Open Recipe for Multimodal Search Agents with Visual Memory Management

POINTS-Seeker：从零开始训练多模态代理搜索模型

Yikun Liu, Yuan Liu, Haicheng Wang, Zhongyin Zhao, Le Tian, Xiao Zhou, Jiangchao Yao, Yanfeng Wang, Weidi Xie

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； CMIC, Shanghai Jiao Tong University（上海交通大学CMIC） ； WeChat AI, Tencent（腾讯WeChat AI） 纠错

专题命中 工具调用 ：agent(abstract)；tool-use(abstract)；planning(abstract)；agentic(abstract)

AI总结 本文提出POINTS-Seeker模型，通过引入代理播种机制和V-Fold压缩方案，解决长周期交互中的证据检索问题，并在六个基准测试中超越现有模型。

OpenJarvis: Personal AI, On Personal Devices

OpenJarvis: 个人AI，本地设备上

Jon Saad-Falcon, Avanika Narayan, Robby Manihani, Tanvir Bhathal, Herumb Shandilya, Hakki Orhun Akengin, Gabriel Bo, Andrew Park, Matthew Hart, Caia Costello, Chuan Li, Christopher Ré, Azalia Mirhoseini

机构 * OpenClaw ； Hermes Agent ； PinchBench ； GAIA 纠错

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

AI总结 本文提出OpenJarvis，一种分解的个人AI堆栈，通过在本地设备上优化五个基本组件（智能、引擎、代理、工具与记忆、学习）来缩小本地与云端之间的性能差距，同时保持本地模型的特性。

Comments Code: https://github.com/openjarvis/openjarvis Website: https://open-jarvis.github.io/OpenJarvis/

AgentRVOS for MeViS-Text Track of 5th PVUW Challenge: 3rd Method

AgentRVOS用于5th PVUW挑战赛MeViS-Text跟踪的第三种方法：Ref-VOS管道

Deshui Miao, Chao Yang, Chao Tian, Guoqing Zhu, Kai Yang, Zhifan Mo, Xin Li

机构 * Pengcheng Laboratory（鹏城实验室） ； Wuhan Textile University（武汉纺织大学） ； Yixiang Innovation Technology (Shenzhen)（曦昂创新技术（深圳）） 纠错

专题命中 工具调用 ：agent(summary_cn,abstract)

AI总结 本文提出基于Sa2VA的Ref-VOS管道，通过明确的agent角色实现密集语义理解与时间搜索，核心方法包括agent循环决策与多agent协作，主要贡献是提升视频跟踪的准确性和鲁棒性。

ThinkGeo: Evaluating Tool-Augmented Agents for Remote Sensing Tasks

ThinkGeo: 评估用于遥感任务的工具增强代理

Akashah Shabbir, Muhammad Akhtar Munir, Akshay Dudhane, Muhammad Umer Sheikh, Muhammad Haris Khan, Paolo Fraccaro, Juan Bernabe Moreno, Fahad Shahbaz Khan, Salman Khan

机构 * Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； IBM Research（IBM研究院） ； Linköping University（林雪平大学） ； Australian National University（澳大利亚国立大学） 纠错

专题命中 工具调用 ：tool use(abstract)；tool-use(abstract)；planning(abstract)；agentic(abstract)

AI总结 ThinkGeo是一个针对遥感任务设计的代理基准，评估LLM驱动代理在结构化工具使用和多步骤规划中的能力，通过人类 curated 查询和专家验证的推理步骤测试不同模型的工具准确性和规划一致性。

Tree Search for Language Model Agents

语言模型代理的树搜索

Jing Yu Koh, Stephen McAleer, Daniel Fried, Ruslan Salakhutdinov

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出一种树搜索算法，用于提升语言模型代理在现实网页任务中的表现，实验显示其在成功率上显著优于基线方法。

Comments 13 pages. Models and code available at https://jykoh.com/search-agents

MetaTool: Facilitating Large Language Models to Master Tools with Meta-task Augmentation

Xiaohan Wang, Dian Li, Yilin Zhao, Sinbadliu, Hui Wang

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

Comments 9 pages, 4 figures

Tools Fail: Detecting Silent Errors in Faulty Tools

Jimin Sun, So Yeon Min, Yingshan Chang, Yonatan Bisk

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

Comments 18 pages, 12 figures

ToolChain*: Efficient Action Space Navigation in Large Language Models with A* Search

Yuchen Zhuang, Xiang Chen, Tong Yu, Saayan Mitra, Victor Bursztyn, Ryan A. Rossi, Somdeb Sarkhel, Chao Zhang

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

MCite-RL: Towards Reliable Multimodal RAG via Citation-enhanced Agentic Reinforcement Learning

MCite-RL：基于引用增强型智能体强化学习的可靠多模态检索增强生成

Suifeng Zhao, Zida Liu, Xinyu Lei, Lei Sun, Jun Gao, Sujian Li

机构 * Peking University（北京大学） ； Panasonic Connect Co., Ltd.（松下连接株式会社） 纠错

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

AI总结 针对现有多模态RAG存在的视觉引用不准或与答案脱节问题，本文提出MCite-RL框架，通过智能体优化模块和引用增强型奖励机制实现引用精度与答案质量的联合优化，经多基准实验验证有效。

TRACE: Agentic Catalog Enrichment with Multi-source Evidence Grounding

TRACE：基于多源证据锚定的智能体式商品目录丰富

Rohan Kumar, Steven Xu, Kyle MacDonald, Matthew Long, Bernice Chow, Mac VanRenterghem, Sudeep Das

机构 * DoorDash（多闸道科技（DoorDash）） 纠错

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

AI总结 针对电商商品目录属性稀疏问题，提出基于LLM的TRACE框架，经离线评估、生产部署及在线实验验证，可高效提升目录属性丰富的准确率、覆盖率及结账转化率。

Comments 12 pages, 2 figures