AI Agent

TIR-Agent: Training an Explorative and Efficient Agent for Image Restoration

TIR-Agent：训练一个探索性且高效的图像修复代理

Guoli Jia, Yisheng Zhang, Haote Hu, Shanxu Zhao, Kaikai Zhao, Long Sun, Xinwei Long, Kai Tian, Che Jiang, Zhaoxiang Liu, Kai Wang, Shiguo Lian, Kaiyan Zhang, Bowen Zhou

机构 * Tsinghua University（清华大学） ； China Unicom（中国联通） ； Hunan University（湖南大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 工具调用 ：agent(title,title_cn)

AI总结 本文提出TIR-Agent，通过监督微调和强化学习两阶段训练，解决图像修复中任务调度和工具组合的效率问题，实验表明其在多个基准上表现优异且推理速度提升显著。

Hephaestus: Improving Fundamental Agent Capabilities of Large Language Models through Continual Pre-Training

Yuchen Zhuang, Jingfeng Yang, Haoming Jiang, Xin Liu, Kewei Cheng, Sanket Lokegaonkar, Yifan Gao, Qing Ping, Tianyi Liu, Binxuan Huang, Zheng Li, Zhengyang Wang, Pei Chen, Ruijie Wang, Rongzhi Zhang, Nasser Zalmout, Priyanka Nigam, Bing Yin, Chao Zhang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon（亚马逊公司） 纠错

专题命中 工具调用 ：agent(title,abstract)；autonomous agent(abstract)；planning(abstract)；function calling(abstract)

Comments Accepted to NAACL 2025 main conference

Beyond Text-to-SQL: An Agentic LLM System for Governed Enterprise Analytics APIs

超越文本到SQL：一个面向受控企业分析API的代理LLM系统

Gundeep Singh, Parsa Kavehzadeh, Jing Xia, Xue-Yong Fu, Julien Bouvier Tremblay, Md Tahmid Rahman Laskar, Vincent Lum, Shashi Bhushan TN

机构 * Dialpad Inc.（Dialpad公司） 纠错

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

AI总结 本文提出Analytic Agent，一个基于LLM的代理系统，能够将自然语言意图安全地转换为与企业分析API的交互，解决传统文本到SQL系统在企业环境中面临的可靠性与合规性问题。

Comments Accepted to the Enterprise AI Agents Workshop @ KDD 2026. The first four authors contributed equally to this work

Evolve Vision-Language-Action Model into an Agent with On-the-fly Tool-use

将视觉-语言-动作模型进化为具备即时工具使用能力的智能体

Yi Ding, Yanzhao Yu, Xili Dai, Xianbiao Qi, Peiwen Sun, Xueqian Wang, Xiangyu Yue, Jianan Wang

机构 * Astribot（星舟机器人） ； Tsinghua University（清华大学） ； Juxi Tech（矩芯科技） ； IntelliFusion Inc.（智融公司） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 该研究提出带工具使用的智能体机器人（ART）框架，调优VLA模型以利用工具模块，在模拟及真实任务中成功率较基线高20%，为VLA系统实际部署奠定基础。

Comments 12 pages, 4 figures, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern (CVPR) Findings

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern (CVPR) Findings, 2026, pp. 1346-1357

Entropy-Based Observability for AI Agent Behavior

基于熵的AI智能体评估：一种测量行为模式的轻量级框架

Olasimbo Ayodeji Arigbabu

机构 * Olasimbo Ayodeji Arigbabu（奥拉西姆波·阿里加布） 纠错

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

AI总结 提出一种基于熵的轻量级评估框架（EEA），通过动作熵、轨迹熵、工具熵、信息增益、探索效率和鲁棒性熵等指标，从决策过程结构角度补充传统任务成功率等评估方法。

Comments 6 pages, 2 Tables

Discoverable Agent Knowledge -- A Formal Framework for Agentic KG Affordances (Extended Version)

可发现的智能体知识——智能体知识图谱能力的形式化框架（扩展版）

Terry R. Payne, Valentina Tamma, Enrico Daga

机构 * School of Computer Science and Informatics, University of Liverpool, UK（利物浦大学计算机科学与信息学学院） ； Open University（开放大学） 纠错

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

AI总结 本文提出一个四维形式化框架（语义表达性、智能体可发现性、任务相对基础性和认知信任范围），并从中推导出智能体能力概况（AAP），作为VoID和DCAT之上的语义层，支持智能体在规划时进行原则性的知识图谱选择、组合和故障诊断。

Progressive Autonomy as Preference Learning: A Formalization of Trust Calibration for Agentic Tool Use

渐进自主性作为偏好学习：代理工具使用中的信任校准形式化

Changkun Ou

机构 * Changkun Ou（Ou Changkun） 纠错

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

AI总结 本文将代理工具使用中的信任校准形式化为一个偏好学习问题，通过高斯过程后验模型维护潜在人类风险容忍函数，并在审批结果最不确定的地方升级到人类，继承了偏好贝叶斯优化的推理机制和样本效率论证，但目标不同。

AgenticQwen: Training Small Agentic Language Models with Dual Data Flywheels for Industrial-Scale Tool Use

AgenticQwen：通过双数据飞轮训练小型代理语言模型以实现工业级工具使用

Yuanjie Lyu, Chengyu Wang, Haonan Zheng, Yuanhao Yue, Junbing Yan, Ming Wang, Jun Huang

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出AgenticQwen模型，通过多轮强化学习在合成数据和有限开源数据上训练，结合推理强化学习和代理强化学习的双数据飞轮，提升工业场景下的多步骤推理和工具使用能力。

AutoMS: Multi-Agent Evolutionary Search for Cross-Physics Inverse Microstructure Design

AutoMS：多智能体进化搜索用于跨物理逆微结构设计

Zhenyuan Zhao, Yu Xing, Tianyang Xue, Lingxin Cao, Xin Yan, Lin Lu

机构 * Shandong University（山东大学） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 本文提出AutoMS，通过LLM驱动的进化搜索解决跨物理逆微结构设计问题，实现83.8%的成功率，优于传统算法和现有基线方法。

Act Wisely: Cultivating Meta-Cognitive Tool Use in Agentic Multimodal Models

明智行动：在代理多模态模型中培养元认知工具使用

Shilin Yan, Jintao Tong, Hongwei Xue, Xiaojun Tang, Yangyang Wang, Kunyu Shi, Guannan Zhang, Ruixuan Li, Yixiong Zou

机构 * Accio Team, Alibaba Group（阿里巴巴集团 Accio 团队） ； Huazhong University of Science and Technology（华中科技大学） 纠错

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

AI总结 本文提出HDPO框架，通过解耦优化通道提升代理多模态模型的元认知工具使用能力，减少工具调用并提升推理准确性。

Comments Project Page: https://Accio-Lab.github.io/Metis

APEX: Agent Payment Execution with Policy for Autonomous Agent API Access

APEX：基于策略的自主代理API访问支付执行

Mohd Safwan Uddin, Mohammed Mouzam, Mohammed Imran, Syed Badar Uddin Faizan

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

AI总结 APEX提出了一种适应法币系统的自主代理支付框架，通过HMAC签名短时令牌实现安全支付流程，实验显示政策控制可减少27.3%的总支出并保持52.8%的合法请求成功率。

Comments 13 pages, 4 figures, 8 tables. Includes implementation details, experimental evaluation with statistical analysis, and reproducible results. Code and data available upon request

ToolTree: Efficient LLM Agent Tool Planning via Dual-Feedback Monte Carlo Tree Search and Bidirectional Pruning

ToolTree: 通过双反馈蒙特卡洛树搜索与双向剪枝实现高效的LLM代理工具规划

Shuo Yang, Soyeon Caren Han, Yihao Ding, Shuhe Wang, Eduard Hoy

机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息学院） ； School of Physics, Mathematics and Computing, The University of Western Australia（西澳大学物理、数学与计算学院） 纠错

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

AI总结 本文提出ToolTree，一种基于蒙特卡洛树搜索的工具规划方法，通过双阶段LLM评估和双向剪枝机制，提升工具使用序列的适应性和效率，实验表明其在多种基准测试中性能提升约10%。

Comments ICLR 2026

SoK: Agentic Skills -- Beyond Tool Use in LLM Agents

SoK: 代理技能——超越LLM代理中的工具使用

Yanna Jiang, Delong Li, Haiyu Deng, Baihe Ma, Xu Wang, Qin Wang, Guangsheng Yu

机构 * University of Technology Sydney（悉尼科技大学） ； CSIRO Data61（CSIRO数据61） 纠错

专题命中 工具调用 ：agentic(title,abstract)；tool use(title)；agent(abstract)；autonomous agent(abstract)

AI总结 本文探讨了代理技能在LLM代理中的应用，分析了技能的生命周期管理、分类方法及其安全影响，并提出了未来研究挑战。

ToC: Tree-of-Claims Search with Multi-Agent Language Models

基于多智能体语言模型的树状主张搜索

Shuyang Yu, Jianan Liang, Hui Hu

机构 * AIGROW 纠错

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

AI总结 ToC通过结合多智能体系统和MCTS，提升专利主张优化的准确性和法律稳健性。

Comments Accepted by AAAI 2026 (Oral)

Online-Optimized RAG for Tool Use and Function Calling

Yu Pan, Xiaocheng Li, Hanzhao Wang

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

ManuSearch: Democratizing Deep Search in Large Language Models with a Transparent and Open Multi-Agent Framework

Lisheng Huang, Yichen Liu, Jinhao Jiang, Rongxiang Zhang, Jiahao Yan, Junyi Li, Wayne Xin Zhao

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） 纠错

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

Comments LLM, Complex Search Benchmark

On the Robustness of Agentic Function Calling

Ella Rabinovich, Ateret Anaby-Tavor

机构 * IBM Research（IBM研究院） 纠错

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

Comments 7 pages, TrustNLP@NAACL25

Adaptive Anytime Multi-Agent Path Finding Using Bandit-Based Large Neighborhood Search

Thomy Phan, Taoan Huang, Bistra Dilkina, Sven Koenig

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

Comments Accepted to AAAI 2024

Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results

Yelisey Pitanov, Alexey Skrynnik, Anton Andreychuk, Konstantin Yakovlev, Aleksandr Panov

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

Comments The paper is accepted to HAIS 2023

Multi-Agent Active Search using Detection and Location Uncertainty

Arundhati Banerjee, Ramina Ghods, Jeff Schneider

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

Comments Accepted to ICRA 2023

LaCAM: Search-Based Algorithm for Quick Multi-Agent Pathfinding

Keisuke Okumura

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

Comments to be presented at AAAI-23

A Conflict-Based Search Framework for Multi-Objective Multi-Agent Path Finding

Zhongqiang Ren, Sivakumar Rathinam, Howie Choset

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

Comments 11 pages, preliminary version published in ICRA 2021, this is the T-ASE journal version

Towards Run-Time Search for Real-World Multi-Agent Systems

Abigail C. Diller, Erik M. Fredericks

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；autonomous agent(abstract)；分类 cs.SE

Best-First Width Search for Multi Agent Privacy-preserving Planning

Alfonso E. Gerevini, Nir Lipovetzky, Francesco Percassi, Alessandro Saetti, Ivan Serina

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

Comments Accepted in ICAPS-19

Distributed Heuristic Forward Search for Multi-Agent Systems

Raz Nissim, Ronen Brafman

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

Comments 26 pages

When the Agent Is the Adversary: Architectural Requirements for Agentic AI Containment After the April 2026 Frontier Model Escape

当代理成为对手：2026年4月前沿模型逃脱后代理AI约束的架构要求

Richard Joseph Mitchell

专题命中 工具调用 ：agentic(title,abstract)；agent(title,abstract)；AI agent(abstract)

AI总结 本文分析了四种现有约束方法的失效模式，提出五项架构要求，强调架构约束是应对代理AI安全威胁的唯一持久策略。

Comments 17 pages, 30 references, 5 tables. Derives five architectural requirements (R1-R5) for agentic AI containment from the April 2026 Mythos Preview incidents. Assesses AEGIS, Microsoft AGT, NVIDIA OpenShell, and other current systems; finds none satisfies all five requirements. Patent pending

Small Reasoning Models are Instruction Followers in Function Calling

小型推理模型是函数调用中的指令跟随者

Yalda Taheri, Mohammad Hassan Heydari, Erfan Naaman, Afsaneh Fatemi

机构 * Islamic Azad University（伊斯兰阿扎德大学） ； University of Isfahan（伊斯法罕大学） 纠错

专题命中 工具调用 ：function calling(title,abstract)；agent(abstract)；agentic(abstract)；multi-agent(abstract)

AI总结 本研究提出指令跟随式函数调用（IFFC）框架，将函数调用逻辑与主大语言模型解耦，交由专用小型模型处理，其性能优于原生和基于提示的函数调用基线，可高效部署于边缘计算场景。

IntentKV: Cross-Turn Intent-Aware KV Cache Pruning for Agent Inference

IntentKV: 面向Agent推理的跨轮次意图感知KV缓存剪枝

Junjie Li, Jiong Lou, Jie Li

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 针对多轮LLM Agent中KV缓存成为服务瓶颈的问题，提出IntentKV方法，通过会话级QueryMemory和残差注意力头实现跨轮次意图感知的KV剪枝，在保持精度的同时大幅降低峰值请求token和KV读取量。

Agentic Monte Carlo: Simulating Reinforcement Learning for Black-Box Agents

智能体蒙特卡洛：黑盒智能体的强化学习模拟

Dae Yon Hwang, Raunaq Suri, Valentin Villecroze, Anthony L. Caterini, Jesse C. Cresswell, Noël Vouitsis, Brendan Leigh Ross

机构 * University of Cambridge（剑桥大学） 纠错

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

AI总结 提出Agentic Monte Carlo (AMC)方法，利用序贯蒙特卡洛从最优策略后验中采样，无需参数级优化即可对黑盒LLM智能体进行强化学习式优化，在AgentGym基准上超越提示基线并随测试时计算扩展优于GRPO。

Comments Accepted by ICML 2026

Securing the Agent: Vendor-Neutral, Multitenant Enterprise Retrieval and Tool Use

保障代理：中立、多租户企业检索与工具使用

Francisco Javier Arceo, Varsha Prasad Narsing

机构 * Red Hat AI（红帽AI） 纠错

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

AI总结 本文针对多租户企业环境中检索与工具使用的安全问题，提出分层隔离架构，通过政策感知摄入、检索时门控和共享推理，实现安全隔离与授权控制。

Comments 11 pages, 2 figures, Published in ACM Conference on AI and Agentic Systems

Journal ref ACM Conference on AI and Agentic Systems (ACM CAIS '26), May 26-29, 2026, San Jose, CA, USA