LLM应用

研究人员推出Harness Handbook工具，通过行为导向的代码映射技术，帮助开发者快速定位AI智能体执行框架中的相关代码位置，显著提升系统维护效率。

研究人员提出GRID语法约束解码引擎，通过结合LLM与LALR(1)解析器实现企业级SQL生成的语法正确性、访问控制与审计追踪，在Spider基准测试中显著提升执行准确率。

研究者提出RouteRec框架，系统评估推荐系统中不同智能体的选择与聚合策略，发现项目级聚合比请求级选择更具潜力。

研究人员提出一种约束可验证的智能体框架，将LLM输出从自由形式代码转为类型化JSON配置，通过分类、约束、静态执行与质量检查，为重复性网络数据收集提供可靠、低成本的执行路径。

研究者提出EPB框架，首次将黑箱神经组合优化模型转化为可读程序组合，通过LLM自主演化程序库实现决策过程透明化，在保持性能的同时揭示优化行为的阶段性变化。