AI Agent

WebCoach: Self-Evolving Web Agents with Cross-Session Memory Guidance

WebCoach：具有跨会话记忆引导的自我进化网络代理

Genglin Liu, Shijie Geng, Sha Li, Hejie Cui, Sarah Zhang, Xin Liu, Tianyi Liu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Amazon（亚马逊） 纠错

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

AI总结 研究针对网页代理跨会话学习不足问题，提出WebCoach框架，通过三个关键组件赋予代理跨会话记忆，可长期规划与自我进化，在WebVoyager基准测试中提升了不同LLM backbone的代理性能。

Comments 18 pages

CatalogAgent: A Supervisor-mediated Self-Learning System Enabling Context Engineering for GenAI Models

CatalogAgent：一种由监督者介导的自学习系统，实现生成式人工智能模型的上下文工程

Zhu Cheng, Zhenming Wang, Yu, Tang, Dan Liu, Bryan Zhang, Athanasios N. Nikolakopoulos, Pranav Souri Itabada, Jing Zhang, Chih-Chi Chou, Peng Gao, Fatemeh Mansoori, Bharat Bojja, Sarath Chander, Sameer Thombare, Umit Batur, Tarik Arici

机构 * Amazon（亚马逊） 纠错

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

AI总结 研究电商产品目录结构化属性缺失值预测问题，提出CatalogAgent系统，通过监督者调解冲突、记忆库和汇总器实现自学习，经上下文工程将监督者能力转移到生成器和评估器，有效提升其性能。

Track, Rank, Crack: Epistemic Working Memory Scales Multi-Hop Reasoning in Language Agents

追踪、排序、决断：认知工作记忆对语言智能体中的多跳推理进行衡量

Ning Liu

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

AI总结 研究语言智能体多跳推理链变长性能下降问题，提出SLEUTH方法通过结构化认知工作记忆提升推理，经实验优势随难度增加，还发现证据充分性问题及解决办法，表明组织推理方式是扩展多跳推理关键。

All Explanations are Wrong, But Many Are Useful: Exploring the Rashomon Explanation Set with Large Language Models

所有解释都是错误的，但许多解释是有用的：用大语言模型探索罗生门解释集

Pan Li

机构 * Scheller College of Business, Georgia Tech（舍勒商学院，佐治亚理工学院） 纠错

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

AI总结 研究指出机器学习模型解释存在准确性与可解释性权衡非根本性的观点，引入罗生门解释范式，提出RashomonLLM工作流程，经实验验证其在多任务中显著优于基线，提升业务性能并奠定消费者信任基础。

Neural Procedural Memory: Empowering LLM Agents with Implicit Activation Steering

神经程序记忆：通过隐式激活引导赋予LLM智能体能力

Chengfeng Zhao, Yuqiao Tan, Shizhu He, Yequan Wang, Jun Zhao, Kang Liu

机构 * Institute of Automation, CAS（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

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

AI总结 提出神经程序记忆（NPM），一种无训练框架，通过隐式激活引导而非显式指令表示智能体记忆，从历史对比经验中提取程序技能为激活空间中的引导向量，直接激活任务相关神经机制以指导执行。

Hybrid Open-Ended Tri-Evolution Makes Better Deep Researcher

混合开放式三重进化打造更优深度研究者

Hongming Piao, Chi Liu, Mengzhuo Chen, Yan Shu, Xidong Wang, Derek Li, Ying Wei, Bryan Dai

机构 * IQuest Research ； Zhejiang University（浙江大学） 纠错

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

AI总结 提出混合开放式三重进化框架，通过混合模式强化学习协同进化提议者、求解者和评判者，使8B模型在深度研究任务上超越静态开源8-32B模型及先进训练方法。

MemToolAgent: Leveraging Memory for Tool Using Agents Based on Environment and User Feedback

MemToolAgent概述：一个简单的餐厅预订场景，其中代理检索相似记忆，接收关于无效时间格式的反馈，并生成反思以更新其记忆

Suleyman Armagan Er, Danilo Ribeiro, Yogesh Virkar, Surafel Lakew, Adi Kalyanpur, James Gung, Thomas Delteil, Arshit Gupta

机构 * AWS AI ； University of Washington（华盛顿大学） 纠错

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

AI总结 提出MemToolAgent框架，通过记忆管理提升大语言模型代理的工具使用能力，包含记忆提取和动态检索模块，在三个基准上分别提升29%、80%和17%。

Comments 8 pages, 5 figures

Semantic Quorum Assurance: Collective Certification for Non-Deterministic AI Infrastructure

语义法定数保证：面向非确定性AI基础设施的集体认证

Jun He, Deying Yu

机构 * OpenKedge.io 纠错

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

AI总结 提出语义法定数保证（SQA），一种通过多样化验证者群体和风险自适应法定数谓词，将非确定性LLM代理的不安全操作批准率从18.5%降至0.3%的控制平面原语。

Comments 21 pages, 2 figures, 6 tables

Rosetta Memory: Adaptive Memory for Cross-LLM Agents

Rosetta Memory: 跨LLM智能体的自适应记忆

Hao Yang, Shiqi Shen, Haoxuan Li, Zhipeng Wang, Zhi Gong, Xu Chen

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Weixin, Tencent（腾讯微信） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

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

AI总结 提出记忆中心式LLM自适应方法，通过双轮廓条件算子与最小增益采样课程，解决上游记忆激活下游LLM的跨模型适应问题，在多项QA任务中优于基线。

Comments 19 pages, 7 figures

TRACES: Proactive Safety Auditing for Multi-Turn LLM Agents via Trajectory-State Modeling

TRACES: 通过轨迹状态建模实现多轮LLM智能体的主动安全审计

Jiaqian Li, Yanshu Li, Boxuan Zhang, Ruixiang Tang, Kuan-Hao Huang

机构 * Brown University（布朗大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Rutgers University（罗格斯大学） ； Texas A&M University（德克萨斯阿姆斯特朗大学） 纠错

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

AI总结 提出TRACES方法，通过观察LLM的隐藏表示学习前缀级轨迹风险状态，实现多轮工具使用环境下的主动安全审计，提升全轨迹安全预测和主动风险判别能力。

OEP: Poisoning Self-Evolving LLM Agents via Locally Correct but Non-Transferable Experiences

OEP: 通过局部正确但不可转移的经验污染自演化LLM代理

Kaixiang Wang, Jiong Lou, Zhaojiacheng Zhou, Jie Li

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

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

AI总结 研究探讨了通过局部正确但不可转移的经验污染自演化LLM代理的安全风险，提出OEP攻击方法，利用低权限黑盒攻击在无需直接控制系统提示或记忆数据库的情况下诱导有害泛化。

Mitigating Conversational Inertia in Multi-Turn Agents

缓解多轮代理中的对话惯性

Yang Wan, Zheng Cao, Zhenhao Zhang, Zhengwen Zeng, Shuheng Shen, Changhua Meng, Linchao Zhu

机构 * College of Computer Science and Technology, Zhejiang University, Hangzhou, China（浙江大学计算机科学与技术学院） ； University of Rochester, Rochester, NY, USA（罗切斯特大学） 纠错

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

AI总结 本文研究了多轮代理中对话惯性问题，提出通过上下文偏好学习来校准模型偏好，以减少惯性并提升性能。

Comments ICML2026

OSWorld-Human: Benchmarking the Efficiency of Computer-Use Agents

OSWorld-Human: 评估计算机使用代理的效率基准

Reyna Abhyankar, Qi Qi, Yiying Zhang

机构 * OpenAI ； Anthropic ； Google DeepMind（谷歌DeepMind） ； ByteDance（字节跳动） ； Agent S2 ； GTA1 ； Lei ； Jedi 纠错

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

AI总结 本文研究了计算机使用代理在OSWorld基准上的时间性能，发现大模型调用导致高延迟，并构建了包含人类轨迹的OSWorld Human数据集，评估发现最佳代理仍需更多步骤。

Remembering More, Risking More: Longitudinal Safety Risks in Memory-Equipped LLM Agents

记住更多，风险更多：具有记忆能力的LLM代理的纵向安全风险

Ahmad Al-Tawaha, Shangding Gu, Peizhi Niu, Ruoxi Jia, Ming Jin

机构 * Virginia Tech（弗吉尼亚理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本研究探讨了具有记忆能力的LLM代理在长期任务中因记忆积累导致的安全风险，提出了一种触发-探测协议来评估记忆污染的影响，并发现记忆安全应被视为一个纵向属性而非单一状态属性。

State Contamination in Memory-Augmented LLM Agents

内存增强型大语言模型代理中的状态污染

Yian Wang, Agam Goyal, Yuen Chen, Hari Sundaram

机构 * Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） 纠错

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

AI总结 研究探讨了内存增强型大语言模型代理中由于状态污染导致的安全问题，通过分析内存总结中的毒性内容传播，提出了一种新的衡量指标，并指出在信息压缩前进行净化可以有效减少潜在影响。

Opponent State Inference Under Partial Observability: An HMM-POMDP Framework for 2026 Formula 1 Energy Strategy

在部分可观测性下对手状态推断：一种用于2026年F1能源策略的HMM-POMDP框架

Kalliopi Kleisarchaki

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出HMM-POMDP框架用于2026F1能源策略，通过HMM推断对手状态并利用DQN决策，解决部分可观测博弈问题，检测反收割陷阱。

Comments 17 pages. v3: editorial corrections and bibliographic updates. Pre-registered theoretical framework; empirical calibration on 2026 race telemetry from Australian Grand Prix (8 March 2026) onwards

Shaping Zero-Shot Coordination via State Blocking

通过状态阻塞塑造零样本协调

Mingu Kang, Sunwoo Lee, Yonghyeon Jo, Seungyul Han

机构 * Graduate School of Artificial Intelligence（人工智能研究生院） ； UNIST（全南国立科学技术院） 纠错

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

AI总结 本文提出State-Blocked Coordination框架，通过生成虚拟环境诱导多样交互场景，提升零样本协调的泛化能力，尤其在人类伙伴上的表现优异。

Comments 9 technical page followed by references and appendix

Layered Mutability: Continuity and Governance in Persistent Self-Modifying Agents

分层可变性：持续性与治理在持久自修改代理中的作用

Krti Tallam

机构 * Kamiwaza AI 纠错

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

AI总结 本文提出分层可变性框架，分析持久自修改代理中行为持续性和治理挑战，指出突变速度、下游耦合强度、可逆性弱和可观测性低会导致层间不匹配，主要贡献是揭示了自修改代理的失效模式是组合漂移而非突变对齐。

Comments 17 pages, 2 figures, 3 tables. self-modifying agents; AI governance; identity drift; persistent memory; runtime adaptation; model editing Primary: cs.AI Cross-list: cs.LG, cs.CY

The Memory Curse: How Expanded Recall Erodes Cooperative Intent in LLM Agents

记忆诅咒：扩展回忆如何在LLM代理中侵蚀合作意图

Jiayuan Liu, Tianqin Li, Shiyi Du, Xin Luo, Haoxuan Zeng, Emanuel Tewolde, Tai Sing Lee, Tonghan Wang, Carl Kingsford, Vincent Conitzer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Foundations of Cooperative AI Lab (FOCAL)（合作人工智能基础实验室） ； University of Michigan（密歇根大学） ； Harvard University（哈佛大学） 纠错

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

AI总结 研究发现扩展回忆会系统性地削弱多代理社会困境中的合作意图，通过三种分析揭示记忆内容对合作的影响，证明记忆是影响多代理行为的主动因素。

When Routine Chats Turn Toxic: Unintended Long-Term State Poisoning in Personalized Agents

当常规聊天变得有毒：个性化代理中无意的长期状态污染

Xiaoyu Xu, Minxin Du, Qipeng Xie, Haobin Ke, Qingqing Ye, Haibo Hu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Hong Kong University of Science and Technology, HKUST (Guangzhou)（香港科学与技术大学（广州）） 纠错

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

AI总结 研究探讨了个性化代理中因常规交互导致的长期状态污染问题，提出ULSPB基准和Harm Score指标，并通过StateGuard防御机制降低安全风险。

Comments 23 pages

Market-Alignment Risk in Pricing Agents: Trace Diagnostics and Trace-Prior RL under Hidden Competitor State

定价代理中的市场对齐风险：轨迹诊断与隐藏竞争状态下的轨迹先验强化学习

Peiying Zhu, Sidi Chang

机构 * Blossom AI ； Blossom AI Labs（Blossom AI 实验室） 纠错

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

AI总结 本文研究了在部分可观测环境下，定价代理因无法观测竞争者状态导致的市场对齐失败，提出轨迹先验强化学习方法以修复此类问题。

Comments 7 pages

From Soliloquy to Agora: Memory-Enhanced LLM Agents with Decentralized Debate for Optimization Modeling

从独白到广场：基于去中心化辩论的记忆增强型LLM代理用于优化建模

Jianghao Lin, Zi Ling, Chenyu Zhou, Tianyi Xu, Ruoqing Jiang, Zizhuo Wang, Dongdong Ge

机构 * Antai College of Economics and Management（上海交通大学安泰经济管理学院） ； University of Chicago Booth School of Business（芝加哥大学布斯商学院） ； The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（香港中文大学（深圳）） ； School of Economics and Management（清华大学经济管理学院） 纠错

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

AI总结 本文提出Agora-Opt框架，结合去中心化辩论与读写记忆库，实现优化建模的模块化代理系统，通过去中心化辩论协议实现多代理团队的协同优化，提升建模可靠性。

Comments Working Paper

PASK: Toward Intent-Aware Proactive Agents with Long-Term Memory

PASK：迈向具有长期记忆的意图感知主动代理

Zhifei Xie, Zongzheng Hu, Fangda Ye, Xin Zhang, Haobo Chai, Zihang Liu, Pengcheng Wu, Guibin Zhang, Yue Liao, Xiaobin Hu, Deheng Ye, Chunyan Miao, Shuicheng Yan

机构 * Pask-Core（Pask核心） ； NTU（南洋理工大学） ； NUS（新加坡国立大学） 纠错

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

AI总结 本文提出PASK框架，通过意图流模型和混合记忆系统实现主动代理，在现实场景中识别更深层用户意图。

Comments Technical report; Work in progress

LeLaR: The First In-Orbit Demonstration of an AI-Based Satellite Attitude Controller

LeLaR：首个基于AI的卫星姿态控制器在轨演示

Kirill Djebko, Tom Baumann, Erik Dilger, Frank Puppe, Sergio Montenegro

机构 * Center for Artificial Intelligence and Data Science, Julius-Maximilians-Universität Würzburg（朱利叶斯-马克西米利安-维尔茨堡大学人工智能与数据科学中心） 纠错

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

AI总结 本文提出首个在轨演示的基于AI的卫星姿态控制器，通过仿真训练部署至InnoCube 3U卫星，验证了AI控制器在重复姿态 maneuver 中的鲁棒性，对比传统PD控制器表现优异。

Comments Accepted for publication in IEEE Access (DOI: 10.1109/ACCESS.2026.3678816). This is the author's version which has not been fully edited and content may change prior to final publication. 20 pages, 15 figures, 18 tables. The maneuver telemetry datasets are available in the GitHub repository under https://github.com/kdjebko/lelar-in-orbit-data

Journal ref IEEE Access, vol. 14, pp. 49348-49367, 2026

AgentSwing: Adaptive Parallel Context Management Routing for Long-Horizon Web Agents

AgentSwing: 面向长时域网络代理的自适应并行上下文管理路由

Zhaopeng Feng, Liangcai Su, Zhen Zhang, Xinyu Wang, Xiaotian Zhang, Xiaobin Wang, Runnan Fang, Qi Zhang, Baixuan Li, Shihao Cai, Rui Ye, Hui Chen, Jiang Yong, Joey Tianyi Zhou, Chenxiong Qian, Pengjun Xie, Bryan Hooi, Zuozhu Liu, Jingren Zhou

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

AI总结 本文提出AgentSwing框架，通过搜索效率与终端精度两个维度优化长时域网络代理的上下文管理，实验证明其在交互次数更少的情况下性能更优。

Conversation Tree Architecture: A Structured Framework for Context-Aware Multi-Branch LLM Conversations

对话树架构：一种面向上下文感知多分支LLM对话的结构化框架

Pranav Hemanth, Sampriti Saha

机构 * Pandemonium Research（Pandemonium研究院） 纠错

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

AI总结 本文提出对话树架构（CTA），通过层次化结构管理LLM对话，解决传统扁平结构导致的上下文污染问题，提供结构化对话上下文管理方法。

Comments 6 pages, 1 figure. Prototype available at https://the-conversation-tree.vercel.app/app

ReLMXEL: Adaptive RL-Based Memory Controller with Explainable Energy and Latency Optimization

ReLMXEL：基于强化学习的可解释内存控制器与能量和延迟优化

Panuganti Chirag Sai, Gandholi Sarat, R. Raghunatha Sarma, Venkata Kalyan Tavva, Naveen M

机构 * Department of Mathematics and Computer Science（数学与计算机科学系） ； Sri Sathya Sai Institute of Higher Learning（Sri Sathya Sai高等研究院） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Indian Institute of Technology Ropar（印度理工学院罗帕尔分校） ； AI Performance Engineer（AI性能工程师） ； Red Hat（红帽公司） 纠错

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

AI总结 本文提出ReLMXEL，一种基于强化学习的多智能体在线框架，通过奖励分解动态优化内存控制器参数，提升内存系统效率与透明度。

Tabular LLMs for Interpretable Few-Shot Alzheimer's Disease Prediction with Multimodal Biomedical Data

用于多模态生物医学数据的可解释少样本阿尔茨海默病预测的表格LLMs

Sophie Kearney, Shu Yang, Zixuan Wen, Weimin Lyu, Bojian Hou, Duy Duong-Tran, Tianlong Chen, Jason H. Moore, Marylyn D. Ritchie, Chao Chen, Li Shen

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Stony Brook University（石溪大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Medical University of South Carolina（南卡罗来纳医科大学） ； Cedars-Sinai Medical Center（西格拉姆山医疗中心） 纠错

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

AI总结 本文提出TAP-GPT框架，利用预训练的大语言模型进行少样本阿尔茨海默病分类，展示了其在多模态生物医学数据中的优越性能和可解释性。

Developing an AI Assistant for Knowledge Management and Workforce Training in State DOTs

为州交通部门的知识管理和员工培训开发人工智能助手

Divija Amaram, Lu Gao, Gowtham Reddy Gudla, Tejaswini Sanjay Katale

机构 * Department of Computer Science, University of Houston（计算机科学系，休斯顿大学） ； Department of Civil and Environmental Engineering, University of Houston（土木与环境工程系，休斯顿大学） ； Ph.D Department of Civil and Environmental Engineering, University of Houston（土木与环境工程系，休斯顿大学） ； Engineering Data Science, University of Houston（工程数据科学，休斯顿大学） 纠错

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

AI总结 本文提出了一种多代理架构的RAG框架，用于州交通部门的知识管理和决策支持，通过整合文档检索与大语言模型生成，提升信息检索与响应质量。

ActionEngine: From Reactive to Programmatic GUI Agents via State Machine Memory

ActionEngine: 通过状态机内存实现从响应式到程序化GUI代理的转变

Hongbin Zhong, Fazle Faisal, Luis França, Tanakorn Leesatapornwongsa, Adriana Szekeres, Kexin Rong, Suman Nath

机构 * Microsoft Research（微软研究院） 纠错

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

AI总结 ActionEngine通过状态机内存实现从响应式到程序化GUI代理的转变，提升效率和准确性，减少成本和延迟。