Where 'Ignoring Delete Lists' Works: Local Search Topology in Planning Benchmarks
专题命中 工具调用 ：planning(title,abstract)；分类 cs.AI
Journal ref Journal Of Artificial Intelligence Research, Volume 24, pages 685-758, 2005
AI 大模型
AI Agent
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
1. 工具调用 5090 篇
Planning Graph as a (Dynamic) CSP: Exploiting EBL, DDB and other CSP Search Techniques in Graphplan
专题命中 工具调用 ：planning(title,abstract)；分类 cs.AI
Journal ref Journal Of Artificial Intelligence Research, Volume 12, pages 1-34, 2000
Challenges of Growing Social Media Networks From the Bottom-Up Through the Agent Perspective
专题命中 工具调用 ：agent(title,abstract)
Comments 8 pages, 10 figures; Please cite as Shaheen, J. A. E., Challenges of Growing Social Media Networks From the Bottom-Up Through the Agent Perspective, Proceedings of the Spring Simulation Multi-Conference, 2018, forthcoming
Looped Language Models Improve Compositional Tool Calling
循环语言模型可提升组合式工具调用能力
机构 * University of Cambridge（剑桥大学）
专题命中 工具调用 ：tool use(abstract)；planning(abstract)；agentic(abstract)；分类 cs.AI、cs.LG
AI总结 该研究在组合式工具调用场景下，通过在多个数据集上对比循环与非循环语言模型，发现循环计算可提升组合式工具使用性能，自适应推理能实现更优计算-性能权衡，为智能体系统提供了有前景的架构。
CAPO: Constraint-Aware Prompt Optimization for LLM Agents
CAPO：面向大语言模型智能体的感知约束提示优化
机构 * Microsoft（微软）
专题命中 工具调用 ：agent(abstract)；tool use(abstract)；agentic(abstract)；分类 cs.AI、cs.CL
AI总结 本研究提出CAPO与DCAPO两种方法，通过原始对偶框架优化LLM智能体的系统提示，在智能体及助手式任务中均提升了可行性与性能。
ARC: Fair Relative Advantage Comparison in Open-Ended Real-World Interaction
ARC：开放式真实世界交互中的公平相对优势比较
机构 * Ant International（蚂蚁国际）
专题命中 工具调用 ：agent(abstract)；tool use(abstract)；tool-use(abstract)；分类 cs.AI、cs.CL
AI总结 针对开放式真实世界交互中基于组的RL轨迹行为不可比导致的奖励公平问题，提出ARC训练方案，结合\textit{inter}范式与\textit{inter-86K}语料库，提升工具使用基准并缩短首次token时间。
From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents
从原子动作到标准操作程序：自进化语言模型智能体的迭代工具优化
机构 * Renmin University of China（中国人民大学） ； Alibaba Group（阿里巴巴集团）
专题命中 工具调用 ：agent(abstract)；tool-use(abstract)；workflow(abstract)；分类 cs.AI、cs.CL
AI总结 研究针对现有LLM智能体框架问题，提出将原子动作合成SOP实现自进化，介绍EvoSOP框架，经实验验证该框架能显著提升任务成功率、减少交互轮数，为自进化智能体开发提供可扩展路径。
Think in English, Answer in Korean: Efficient Adaptation of Multilingual Tool-Using Agents
用英语思考，用韩语回答：多语言工具使用智能体的高效适配
机构 * Cohere ； LG CNS
专题命中 工具调用 ：tool-use(abstract)；function calling(abstract)；agentic(abstract)；分类 cs.AI、cs.LG
AI总结 提出LuckyStar 111B混合推理模型，通过多语言监督微调、可验证奖励强化学习、语言一致性奖励和4-bit量化，高效适配多语言工具使用智能体，提升数学推理、函数调用和NL2SQL性能。
Supervising the search process produces reliable and generalizable information-seeking agents
通过监督搜索过程产生可靠且可推广的信息寻求代理
机构 * Department of Computer Science, University of Virginia, USA（弗吉尼亚大学计算机科学系） ； National Library of Medicine, National Institutes of Health, USA（美国国立卫生研究院国家医学图书馆） ； Department of Computer Science, University of Illinois Urbana–Champaign, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系） ； Medical Oncology, Dana–Farber Cancer Institute, USA（达纳-法伯癌症研究所医学肿瘤科） ； Surgery, University of Alabama at Birmingham, USA（阿拉巴马大学伯明翰分校外科系） ； Department of Neurology, Yale School of Medicine, USA（耶鲁医学院神经病学系）
专题命中 工具调用 ：agent(abstract)；autonomous agent(abstract)；agentic(abstract)；分类 cs.AI、cs.CL
AI总结 本文提出通过监督搜索过程来构建更可靠且可推广的信息寻求代理，通过RAG-Gym框架系统研究了架构设计、参数优化和动作评估，发现推理反思是关键能力，Re$^2$Search++在多跳信息检索基准上取得显著提升，尤其在领域外任务中表现更优。
Comments Homepage: https://rag-gym.github.io; Code: https://github.com/RAG-Gym/RAG-Gym
Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval
自主知识图谱探索与自适应广度-深度检索
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Departamento de Computación, FCEyN, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算机系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） ； ELIAS Lab, Departamento de Ingeniería, Universidad de San Andrés（圣安德鲁大学工程系ELIAS实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Allston, MA, USA（自然与人工智能研究所，马萨诸塞州阿利斯顿） ； Broad Institute of MIT and Harvard, Cambridge, MA, USA（MIT和哈佛大学Broad研究所） ； Harvard Data Science Initiative, Cambridge, MA, USA（哈佛大学数据科学倡议）
专题命中 工具调用 ：agent(abstract)；tool use(abstract)；tool-use(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出ARK工具，通过全局词搜索和邻域探索平衡知识图谱的广度与深度检索，提升多跳遍历效率，在STaRK上达到59.1%的平均Hit@1和67.4的平均MRR，优于其他方法。
Comments Accepted at ACL 2026 Main Conference
Quantifying Divergence in Inter-LLM Communication Through API Retrieval and Ranking
通过API检索和排序量化跨LLM通信中的分歧
机构 * School of Engineering and Technology（工程与技术学院）
专题命中 工具调用 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL
AI总结 本文提出一个统一的基准框架，量化在相同任务下不同LLM在API发现和排序上的差异。研究发现结构化任务稳定性较高，而开放性任务分歧显著，结果为多代理系统中可靠性感知的协调提供了依据。
Comments AAAI 2026 Conference (LAMAS Workshop)
SEVerA: Verified Synthesis of Self-Evolving Agents
SEVerA: 验证合成自进化代理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Google（谷歌）
专题命中 工具调用 ：agent(abstract)；tool use(abstract)；agentic(abstract)；分类 cs.LG、cs.SE
AI总结 SEVerA通过引入形式化guarded生成模型，结合搜索、验证和学习三阶段框架，在程序验证、符号数学合成等任务中实现零约束违规，提升自进化代理的正确性和性能。
Comments First Formally Verified Self-Evolving LLM Agents
Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery
Rhizome OS-1：Rhizome的半自主操作系统用于小分子药物发现
机构 * Rhizome Research Inc.
专题命中 工具调用 ：agent(abstract)；AI agent(abstract)；autonomous agent(abstract)；分类 cs.AI、cs.LG
AI总结 Rhizome OS-1通过多模态AI代理实现小分子药物发现的半自动化，结合计算化学、医药化学和专利代理功能，生成新颖分子并评估专利自由度，利用图扩散模型生成化学物质。
Gradual Cognitive Externalization: From Modeling Cognition to Constituting It
渐进性认知外化：从建模认知到构成它
专题命中 工具调用 ：agent(abstract)；AI agent(abstract)；tool use(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出渐进性认知外化框架，探讨环境AI系统如何通过持续因果耦合，从建模认知功能过渡到构成用户认知架构，并提出五个可检验的预测。
Behavioral Steering in a 35B MoE Language Model via SAE-Decoded Probe Vectors: One Agency Axis, Not Five Traits
通过SAE解码探测向量在35B MoE语言模型中实现行为操控：一个代理轴，而非五个特质
机构 * Independent Researcher（独立研究员）
专题命中 工具调用 ：agent(abstract)；tool-use(abstract)；agentic(abstract)；分类 cs.CL、cs.LG
AI总结 研究通过训练九个稀疏自编码器识别并操控五个代理行为特质，发现所有向量主要调节单一主导代理轴，仅在工具使用等次要方面产生影响。
Comments 14 pages, 3 figures
Cost-Aware Diffusion Active Search
面向成本的扩散主动搜索
机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）
专题命中 工具调用 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出基于扩散模型的主动搜索方法，通过序列建模能力采样动作序列，实现高效成本感知决策，提升目标恢复率。
Comments In submission
REDSearcher: A Scalable and Cost-Efficient Framework for Long-Horizon Search Agents
REDSearcher: 一种可扩展且成本效益高的长周期搜索智能体框架
专题命中 工具调用 ：tool use(abstract)；planning(abstract)；function calling(abstract)；分类 cs.AI、cs.CL
AI总结 REDSearcher提出一种统一框架，通过任务合成、中期训练和后期训练优化长周期搜索智能体，实现高效且低成本的搜索任务解决。
InSight-o3: Empowering Multimodal Foundation Models with Generalized Visual Search
InSight-o3: 通过通用视觉搜索增强多模态基础模型
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Huawei（华为）
专题命中 工具调用 ：agent(abstract)；AI agent(abstract)；multi-agent(abstract)；分类 cs.CL、cs.LG
AI总结 InSight-o3通过通用视觉搜索任务提升多模态基础模型的推理能力，解决复杂视觉信息整合问题。
Fathom-DeepResearch: Unlocking Long Horizon Information Retrieval and Synthesis for SLMs
机构 * Fractal AI Research（Fractal AI研究）
专题命中 工具调用 ：agent(abstract)；agentic(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG
World Modelling Improves Language Model Agents
机构 * University of Edinburgh（爱丁堡大学） ； Cohere ； Vrije Universiteit Brussel（布鲁塞尔自由大学） ； Université de Montréal（蒙特利尔大学）
专题命中 工具调用 ：tool use(abstract)；planning(abstract)；function calling(abstract)；分类 cs.AI、cs.LG
Strategist: Self-improvement of LLM Decision Making via Bi-Level Tree Search
机构 * Rensselaer Polytechnic Institute（拉特加大学） ； Shenzhen University（深圳大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； NEC laboratories America（NEC美国实验室） ； California Institute of Technology（加州理工学院）
专题命中 工具调用 ：agent(abstract)；planning(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL
Comments website: https://llm-strategist.github.io
Orchestrating Agents and Data for Enterprise: A Blueprint Architecture for Compound AI
专题命中 工具调用 ：agent(abstract)；planning(abstract)；agentic(abstract)；分类 cs.AI、cs.LG
Journal ref First Workshop on Data-AI Systems (DAIS), ICDE 2025
A Dynamic Programming Algorithm for Finding an Optimal Sequence of Informative Measurements
专题命中 工具调用 ：agent(abstract)；autonomous agent(abstract)；planning(abstract)；分类 cs.AI、cs.LG
Journal ref Entropy, 25, 251 (2023)
TStarBot-X: An Open-Sourced and Comprehensive Study for Efficient League Training in StarCraft II Full Game
专题命中 工具调用 ：agent(abstract)；AI agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG
Comments 29 pages
Towards Playing Full MOBA Games with Deep Reinforcement Learning
专题命中 工具调用 ：agent(abstract)；AI agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG
Comments NeurIPS 2020
Finding Game Levels with the Right Difficulty in a Few Trials through Intelligent Trial-and-Error
专题命中 工具调用 ：agent(abstract)；AI agent(abstract)；planning(abstract)；分类 cs.AI、cs.LG
Comments To be presented in the Conference on Games 2020
Parallelization of Monte Carlo Tree Search in Continuous Domains
专题命中 工具调用 ：agent(abstract)；planning(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG
SceneOrchestra: Efficient Agentic 3D Scene Synthesis via Full Tool-Call Trajectory Generation
SceneOrchestra: 通过完整工具调用轨迹生成实现高效的代理3D场景合成
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
专题命中 工具调用 ：agentic(title,abstract)
AI总结 SceneOrchestra通过训练可调的 orchestration 框架优化工具调用流程，消除逐步审查循环，提升效率和输出质量。
Comments Accepted by ECCV 2026
Agentic Reinforcement Learning with Observation-Calibrated Self-Distillation
带有观测校准自蒸馏的智能体强化学习
机构 * Meituan（美团）
专题命中 工具调用 ：agentic(title)；分类 cs.AI、cs.CL、cs.LG
AI总结 本研究针对智能体强化学习的混淆问题，提出OCSD方法，通过对比两类回放视图推导观测残差，在高不确定步骤调制GRPO更新，在三类任务和多模型规模上优于基线。
When Does Disaggregation Pay? Simulating Prefill--Decode--Attention--FFN Specialization for Agentic LLM Inference
拆分何时划算？智能体大语言模型推理的预填-解码-注意力-前馈网络专业化模拟
专题命中 工具调用 ：agentic(title,abstract)
AI总结 该研究提出HeteroPanacea模拟框架，针对智能体LLM推理的预填-解码-注意力-前馈网络拆分，验证其可提升吞吐量，为异构智能体服务系统提供支撑。
