Seventy3

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

AutoHarness: improving LLM agents by automatically synthesizing a code harness

Summary

尽管过去几年语言模型取得了显著进步，但当其作为智能体使用时，这些模型经常会尝试执行一些操作，这些操作不仅对给定状态而言并非最优，而且在外部环境中是被严格禁止的。例如，在最近的 Kaggle GameArena 象棋比赛中，Gemini-2.5-Flash 有 78% 的失利归因于违规移动。通常，人们会通过手动编写“保护罩（harnesses）”封装在 LLM 周围来防止此类失败。

在本文中，我们证明了 Gemini-2.5-Flash 可以根据（游戏）环境的反馈，通过几轮代码迭代优化，自动合成这种代码保护罩。由此产生的保护罩在 145 种不同的 TextArena 游戏（包括单人型和双人型）中完全杜绝了所有违规操作，使得较小的 Gemini-2.5-Flash 模型能够超越 Gemini-2.5-Pro 等更大型的模型。

我们将这一技术推向极致，让 Gemini-2.5-Flash 以代码形式生成整个策略，从而消除了在决策阶段使用 LLM 的必要性。所得的代码策略（code-policy）在 16 个 TextArena 单人游戏中获得的平均奖励高于 Gemini-2.5-Pro 和 GPT-5.2-High。我们的结果表明，使用较小的模型来合成定制的代码保护罩（或整个策略），不仅比大得多的模型性能更强，而且更具成本效益。

原文链接：https://arxiv.org/abs/2603.03329

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

Building Effective AI Coding Agents for the Terminal: Scaffolding, Harness, Context Engineering, and Lessons Learned

Summary

AI 编程辅助领域正经历着一场根本性的转变：从复杂的 IDE 插件转向多功能的终端原生智能体。由于 CLI 智能体直接运行在开发者管理源码控制、执行构建和部署环境的场所，它们为长程开发任务提供了前所未有的自主性。

在本文中，我们推出了 OPENDEV，一款专为此类新范式设计的、由 Rust 编写的开源命令行编程智能体。有效的自主辅助需要严格的安全控制和极高效率的上下文管理，以防止上下文膨胀和推理能力衰减。OPENDEV 通过以下复合 AI 系统架构克服了这些挑战：

• 工作负载专项模型路由：针对不同任务分配最合适的模型；
• 双智能体架构：将规划与执行明确分离；
• 延迟工具发现（Lazy Tool Discovery）：按需加载工具以优化效率；
• 自适应上下文压缩：逐步精简旧有的观测数据。

此外，它还采用了一套自动化记忆系统来跨会话积累项目特定知识，并通过事件驱动的系统提醒来对抗指令遗忘（instruction fade-out）。通过强制执行显式的推理阶段并优先考虑上下文效率，OPENDEV 为终端优先的 AI 辅助提供了安全且可扩展的基础，为构建稳健的自主软件工程提供了蓝图。

原文链接：https://arxiv.org/abs/2603.05344

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

AgentHub: A Registry for Discoverable, Verifiable, and Reproducible AI Agents

Summary

基于大语言模型（LLM）的智能体正在迅速普及，但与日趋成熟的软件包注册表（如 npm）和模型中心（如 Hugging Face）等生态系统相比，用于发现、评估和治理智能体的数据基础设施仍显零散。现有的努力通常集中在命名、分发或协议描述符上，但未能提供一个能让智能体在自动化复用场景下实现可发现、可比较且可治理的注册层。

我们提出了 AgentHub，这是一个智能体共享的注册层及其配套的研究议程，旨在解决发现与工作流集成、信任与安全、开放性与治理、生态系统互操作性、生命周期透明度以及带有证据的能力明晰化等问题。我们描述了一个参考原型，它实现了包含发布时校验的标准清单（manifest）、与可审计伪像链接的版本绑定证据记录，以及一个追加式的生命周期事件日志（其状态在搜索和解析时被默认遵循）。

我们还提供了一套使用“LLM 作为评委”推荐流水线的初步发现结果，展示了结构化契约和证据如何比关键词驱动的发现更有效地提升意图准确的检索。AgentHub 旨在为构建可靠、可复用的智能体生态系统提供通用的底层基质。

原文链接：https://arxiv.org/abs/2510.03495

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

Diagnosing Retrieval vs. Utilization Bottlenecks in LLM Agent Memory

Summary

存储增强型大语言模型（LLM）智能体能够存储并检索先前交互中的信息，但“记忆如何写入”与“记忆如何检索”之间的相对重要性仍不明确。

我们引入了一个诊断框架，用于分析性能差异如何在不同的写入策略、检索方法以及记忆利用行为中体现。我们将该框架应用于一项 3×3 的交叉研究，涵盖了三种写入策略（原始块存储、Mem0 式事实提取、MemGPT 式摘要生成）和三种检索方法（余弦相似度、BM25、混合重排序）。

在 LoCoMo 基准测试上，检索方法是主导因素：不同检索方法之间的平均准确率差异高达 20 个百分点（从 57.1% 到 77.2%），而不同写入策略之间的差异仅为 3-8 个百分点。**原始分块存储（Raw chunked storage）**无需任何 LLM 调用，其表现却能媲美甚至超越那些昂贵的、有损的替代方案；这表明当前的记忆流水线可能会丢弃有用的上下文，而下游的检索机制无法弥补这一损失。

故障分析显示，性能瓶颈最常出现在检索阶段而非利用阶段。我们认为，在当前的检索实践下，提升检索质量所带来的收益要大于增加写入时的复杂程度。代码已在上述网址公开发布。

原文链接：https://arxiv.org/abs/2603.02473

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

Reaching Agreement Among Reasoning LLM Agents

Summary

多智能体系统扩展了智能体 AI 的能力。与单次推理不同，多个智能体通过集体推理来得出高质量的答案。然而，现有的多智能体编排依赖于静态的启发式工作流，例如固定的循环次数限制和栅栏同步（barrier synchronization）。这些临时方案（ad-hoc approaches）浪费了计算资源，因“掉队者”（stragglers）导致高延迟，并存在过早确定瞬态协议的风险。我们认为，可靠的多智能体推理需要一个类似于经典分布式共识问题的形式化基础。

为此，我们提出了**多智能体完善问题（multi-agent refinement problem）**的形式化模型。该模型包含了正确性保证的定义以及智能体推理的形式化语义。随后，我们推出了 Aegean，这是一种专为随机推理智能体设计的共识协议，用以解决多智能体完善问题。

我们在 Aegean-Serve 中实现了该协议。这是一个具备共识感知能力的推理服务引擎，能够在并发的智能体执行过程中进行增量法定人数检测（incremental quorum detection），从而在足够数量的智能体达成一致时实现尽早停机。针对四个数学推理基准测试的评估表明，Aegean 提供了可证明的安全性和活性保证，同时与最先进的基准方法相比，延迟降低了 1.2 至 20 倍，且答案质量损失控制在 2.5% 以内。在本地 GPU 部署和商业 API 提供商上的持续性能增益验证了，基于共识的编排能在不牺牲正确性的前提下消除掉队者延迟。

原文链接：https://arxiv.org/abs/2512.20184

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

The Auton Agentic AI Framework：A Declarative Architecture for Specification, Governance, and Runtime Execution of Autonomous Agent Systems

Summary

人工智能领域正经历着从生成式 AI（文本和图像的概率性生成）向智能体 AI（Agentic AI，即自主系统代表用户在外部执行任务）的转型。这一转变暴露了一个根本性的架构失配：大语言模型（LLM）产生的是随机、无结构的输出，而它们必须控制的后端基础设施（如数据库、API、云服务）则要求确定性且符合模式（schema）的输入。

本文介绍了 Auton 智能体 AI 框架，这是一种用于标准化自主智能体系统创建、执行和治理的原则性架构。该框架围绕两个核心部分的严格分离进行组织：一是认知蓝图（Cognitive Blueprint），即对智能体身份和能力的声明式、语言无关的规范；二是运行时引擎（Runtime Engine），即实例化并运行智能体的特定平台执行基质。这种分离实现了跨语言的可移植性、形式化可审计性，以及通过模型上下文协议（MCP）实现的模块化工具集成。

本文将智能体执行模型形式化为一种具有潜在推理空间的增强型部分可观测马尔可夫决策过程（POMDP）；引入了受生物情节记忆系统启发的分层记忆巩固架构；定义了一种约束流形（constraint manifold）形式化方法，通过策略投影而非事后过滤来强制执行安全性；提出了一套涵盖从上下文自适应到强化学习的三级自我演化框架；并描述了包括并行图执行、推测性推理和动态上下文修剪在内的运行时优化技术，从而降低了多步智能体工作流的端到端延迟。

原文链接：https://arxiv.org/abs/2602.23720

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

Numina-Lean-Agent: An Open and General Agentic Reasoning System for Formal Mathematics

Summary

智能体系统（Agentic systems）近期已成为形式化定理证明的主流范式，通过协调多个模型和工具实现了强劲的性能。然而，现有方法往往依赖于针对特定任务的流水线和经过专门训练的形式化证明器，这限制了它们的灵活性和可复现性。

在本文中，我们提出了一种直接将通用代码智能体（General coding agent）作为形式化数学推理器的范式。该范式的出发点在于：(1) 通用代码智能体为证明之外的各种推理任务提供了天然的接口；(2) 无需训练，仅通过更换底层基座模型即可提升性能；(3) 模型上下文协议（MCP）能够灵活扩展并自主调用专用工具，从而避免了复杂的系统设计。

基于这一范式，我们推出了 Numina-Lean-Agent，它将 Claude Code 与 Numina-Lean-MCP 相结合，实现了与 Lean 的自主交互、相关定理检索、非形式化证明以及辅助推理工具的调用。在使用 Claude 4.5 Opus 作为基座模型时，Numina-Lean-Agent 解决了 Putnam 2025 的所有题目（12/12），达到了顶尖闭源系统的水平。

除了基准测试评估外，我们还通过与数学家交互并成功形式化了 Brascamp-Lieb 定理，进一步展示了该系统的通用性。我们已在上述网址发布了 Numina-Lean-Agent 及其全部解题方案。

原文链接：https://arxiv.org/abs/2601.14027

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

Evaluating Theory of Mind and Internal Beliefs in LLM-Based Multi-Agent Systems

Summary

由于基于大语言模型（LLM）的多智能体系统（MAS）在自然语言理解、推理和规划方面的进步，增强了其协作解决问题的潜力，因而正日益受到关注。心理理论（ToM）和信念-欲望-意图（BDI）模型的研究有望进一步提升此类系统中智能体的交互与决策能力。

然而，由于 LLM 在多智能体环境中的表现极不稳定，在动态世界中实现协作智能依然困难重重。简单地添加诸如 ToM 和内部信念等认知机制并不能自动提高协调性。这些机制之间的相互作用，特别是与形式逻辑验证相关的部分，在不同的 LLM 中仍有待深入探索。

本研究探讨了：包括符号求解器和心理理论在内的内部信念机制如何影响基于 LLM 的多智能体系统中的协作决策，以及这些组件的相互作用如何影响系统准确性？

我们提出了一种集成 ToM、BDI 式内部信念和用于逻辑验证的符号求解器的新型多智能体架构。我们在资源分配问题上利用各种 LLM 对该架构进行了评估，发现 LLM 能力、认知机制与性能之间存在复杂的相互作用。通过提出一种结合了 ToM、内部信念和符号求解器的新型多智能体系统，并评估其在不同 LLM 设置下的表现，本工作为增强多智能体系统的协作智能做出了贡献。

原文链接：https://arxiv.org/abs/2603.00142

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

Symmetry in language statistics shapes the geometry of model representations

Summary

语言模型所学习到的内部表示始终展现出令人惊叹的几何结构：日历月份排列成一个圆环，历史年份形成一条光滑的一维流形，而城市的经纬度则可以通过线性探测（linear probe）解码出来。

为了解释这种神经编码，我们首先展示了语言统计学表现出的平移对称性（例如，任意两个月份在文本中共同出现的频率，仅取决于它们之间的时间间隔）。我们证明了这种对称性主导了高维词嵌入模型中的几何结构，并解析地推导出了词表示的流形几何。

这些预测在经验上与大规模文本嵌入模型和大型语言模型相吻合。此外，即使在相关统计数据受到干扰（例如，删除所有两个月份共同出现的句子）的情况下，这种表示几何在适中的嵌入维度下依然存在。我们证明，当共现统计受底层隐变量控制时，这种鲁棒性会自然产生。这些结果表明，表示流形具有一个普遍的起源：即自然数据统计中的对称性。

原文链接：https://arxiv.org/abs/2602.15029

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。合作邮箱：zhiwudazhanjiangshi#gmail.com

Learning to Rewrite Tool Descriptions for Reliable LLM-Agent Tool Use

Summary

基于大语言模型（LLM）的智能体性能不仅取决于智能体本身，还取决于其所调用的工具接口的质量。尽管此前的工作主要集中在智能体的微调上，但包括自然语言描述和参数模式在内的工具接口很大程度上仍是面向人类设计的，这往往会成为性能瓶颈，尤其是在智能体必须从庞大的候选工具集中进行选择时。

现有的改进工具接口的方法依赖于执行轨迹（execution traces），但在冷启动或受隐私限制的场景中，这些轨迹往往难以获得；此外，这些方法通常独立地优化每个工具，从而限制了其可扩展性以及对未知工具的泛化能力。

我们提出了 Trace-Free+，这是一个课程学习框架，它将监督信号逐步从轨迹丰富的场景迁移到无轨迹的部署环境，旨在鼓励模型抽象出可复用的接口使用模式和工具使用结果。为了支持这一方法，我们利用结构化工作流，针对多样化的工具集合构建了一个高质量工具接口的大规模数据集。

在 StableToolBench 和 RestBench 上的实验表明，该方法在未知工具上取得了持续的增益，表现出极强的跨领域泛化能力，并且在候选工具数量扩展至 100 个以上时仍具有稳健性。这证明了工具接口优化是智能体微调的一种实用且可部署的补充手段。

原文链接：https://arxiv.org/abs/2602.20426