#LLM Agent

共 7 篇相关文章

TrawMem 提出任务导向的角色自适应工作区框架，将智能体记忆从按相关性检索重构为按任务角色与关系组织。在 LoCoMo 与 MemGallery 上 macro-F1 提升 2.23-3.14 点，同时减少上下文 token 消耗。

详解如何为LLM Agent构建搜索抓取层：通过网关模式统一处理缓存、预算控制与robots.txt合规，用trafilatura提取正文将180KB HTML压缩至6KB，实测缓存命中率35%-45%，显著降低Agent抓取成本。

结构化任务分解是构建可靠LLM Agent工作流的关键工程模式。本文详解如何通过LLM驱动的提示词设计将复杂目标拆解为原子子任务，涵盖减少幻觉、提升可调试性、成本优化与并行化等核心收益，并指出过度分解的边界。

Seahaven 是一个 MIT 开源、兼容 OpenEnv 的 Python 框架，用于为 LLM 智能体构建可复现的 RL 训练环境。支持带状态工具、毫秒级 reset、确定性回放与基于状态的可验证奖励，并提供高保真的 Stripe World 示例。

arXiv 新论文提出 TwinCheck——一种推理阶段的证据驱动「负孪生」验证策略，通过反事实对照修复工具智能体的错误调用，在 BFCL V4 多轮任务上将成功率从 45.3% 提升至 58.5%，且无成功转失败回退。

Glyph 是一套面向企业数据目录的多策略 Agent 系统，用协作 LLM 智能体自动完成列描述生成与敏感度本体标注，通过锚定流水线源代码提升准确性，助力数据发现、访问控制与合规治理。

深度解读Anthropic官方《Building effective agents》，从工作流与智能体的核心区别、技术选型金字塔到框架避坑指南，掌握构建高效LLM Agent的第一性原理与实战方法论。