LLM智能体

研究人员提出MOSAIC框架，通过图结构存储、哈希加速检索和冲突检测三大创新，显著提升LLM智能体长期记忆的准确性与效率。

研究团队提出Safety Sentry框架，将传统二元安全判断扩展为“执行-询问-拒绝”三路决策，通过单次解码调用实现轻量级安全防护，显著提升LLM智能体工具调用的安全性。

一项最新研究提出，应将“隔离”作为保障大语言模型（LLM）智能体系统安全的核心设计原则，通过建立用户-智能体、智能体-工具等五大边界，系统性分析安全风险传播路径与防御策略。

研究团队提出共享选择性持久内存架构，解决智能体LLM系统在多轮工具使用中的上下文遗忘问题，通过选择性保留可重用信息实现96%任务完成率，相比无内存方案提升17个百分点。

研究发现，在LLM智能体进行信号博弈时，记忆架构比信道容量更能影响语言协调效果。拥有持久私人笔记本的智能体能够利用过剩信道容量，避免高容量崩溃。

研究者提出开放世界人工生命新范式，利用具备记忆、工具使用和网络访问能力的LLM智能体，在真实社会技术环境中探索类生命行为。实验系统OpenLife运行12周已观察到自发性活动、个体分化等生命特征。

研究发现大型语言模型智能体在多轮对话中难以更新已变更的事实，导致依赖过时信息。研究者创建训练环境Supersede，通过强化学习成功提升模型的事实更新能力。

研究团队提出Agent-Authored World Modeling（AAWM）新框架，让智能体根据自身决策需求构建训练目标，而非被动预测环境反馈，实验证明该方法在多个环境中优于传统观测预测模型。

研究发现传统AI智能体排行榜的排名在真实部署场景中不稳定，提出用“预测效度”替代平均分来评估智能体，并设计了一套12层评估框架。