论文解读

Jun Gao · Yun Peng · Changhai Zhou · 4+

技能(skill)可让智能体复用经验，在不修改底层模型的情况下指导后续决策。然而，编码轨迹常与任务和代码仓库特定上下文交织，难以提炼出可泛化至不同编码环境的程序性知识。分层技能演化(Hierarchical Skill Evolution, HSE)通过分层证据聚合，逐步从编码轨迹中提炼知识：先从单条轨迹提取任务级证据，再聚合同一仓库内反复出现的证据，形成仓库特定技能候选，最后整合不同仓库间的一致模式，生成可跨仓库迁移的技能。演化由外部编写者—评估者循环(writer-evaluator loop)驱动，在冻结底层编码模型的同时生成并评估技能，并通过外部更新编写者与评估者策略，改进后续技能生成和评估。该层级结构逐步过滤任务细节，同时保留可泛化的程序。成功轨迹提供可复用指导，失败轨迹则揭示重复出现的失效模式，用于规避与恢复。HSE 在 SWE-bench Verified 和 DeepSWE 上进行评估，覆盖 Pi 与 Claude Code 等智能体框架中的 GLM-5.2，以及 Pi 中的 GPT-5.5 和 Opus 4.8。两个 benchmark 上，仅由 SWE-Gym 演化得到的 10 项技能均提升了所有测试配置的编码性能，表明技能可跨 benchmark、编码模型和智能体框架迁移。进一步使用目标 benchmark 的轨迹演化技能库，在不提供验证器反馈、仅依赖已学习评估者评估候选技能的情况下，还通过针对 benchmark 定制的技能获得额外增益。

Yujia Zheng · Tianhao Li · Shangzhi Xu · 4+

Agent Skills 可让 LLM Agent 组合可复用能力，但逐一检查每个 Skill 无法排除组合后发生的策略违规。此类失效称为技能冲突(Conflict of Skills, CoS)：为某种用途生成的产物或评估信号，可能在下游被复用，却未保留新用途所需的限制或授权。通过受控执行公开 Skill 并设置匹配的单 Skill 对照，研究识别出 CoSA 背后的四种常见机制。在此基础上提出技能冲突攻击(Conflict of Skills Attack, CoSA)，向既有 Skill 池添加获得本地准入的 Skill，以补充缺失的业务操作（能力补充），或重塑产物交换、决策复用及目标/动作绑定（关系重塑）。CoSA 不改变现有 Skill 和运行时权限。为评估自主选择 Skill 时的风险，提出 CoSA-Bench；该 benchmark 由真实世界 Skill 和受控服务构成，包含招聘、金融、IT 与业务领域的 288 项任务，覆盖数据泄露、未经授权的状态修改及不安全执行。在五种 LLM 和三种 Agent harness 上，新增 Skill 不超过原池的 5% 时，策略违规率从 35.02% 升至 58.45%，增加 23.43 个百分点。轨迹分析表明，从合规到违规的转变与新增 Skill 涉及的跨 Skill 依赖有关。研究还开发了轻量级 harness 层防护机制，在执行有后果的操作前检查信息流和授权。在 OpenClaw 招聘任务中，该防护机制覆盖五种模型，将违规率从 65.28% 降至 6.67%，匹配良性对照上的策略合规任务完成率则从 66.67% 变为 65.00%。

Wujiang Xu · Jiaojiao Han · Xi Zhu · 4+

大型语言模型(LLM)智能体所处场景的记忆需求差异显著。回顾过往对话的问题需要准确事实，多步任务则需要已执行步骤的轨迹，以及当前查询无法明确指出的细节。现有记忆机制通常只针对一种场景设计和测试：检索式记忆会遗漏查询未表达的步骤，摘要会丢失精确字符串，而将两者结合又会预先固定预算分配。FlexA-Mem 将每段历史仅写入一次不可变存储，并在每次调用时重新渲染记忆。渲染结果由紧凑记录时间线及补充细节组成；固定规则会将补充细节填入剩余空间，无需调用 LLM。细节可采用相关单元的原始文本、摘录，或最匹配查询的逐字片段。单一存储由此可服务两类场景。在 4k 预算的 AppWorld 挑战任务中，性能比次优方法高 11.5%；在 147 个未使用任务上采用预先固定的预测，比采用摘要的 A-Mem 高 12.2%。在 LongMemEval 和 LoCoMo 上，它与不写入记忆的专用关键词检索器相当；预算紧张时，由 LLM 撰写文本构建的记忆明显落后。消融实验表明，时间线支撑 AppWorld 任务完成，细节恢复主要节省步骤并决定精确事实问答的准确率。

Anish Laddha · Nitesh Pradhan · Gaurav Srivastava

arXiv:2610.33201v1，公告类型：new。LLM 智能体会从操作者、仓库配置、用户、工具结果和保存的记忆中接收指令，这些来源经常相互冲突。指令层级基准通常只判断高排名来源能否胜出，但一个来源会同时设置位置、角色和标签。研究构建了 WhoWins，包含五类任务、1,080 个代码评分场景；每个场景最多含五条互斥指令，并设计七个受控实验，仅改变指令传递方式。随后评估 14 个开放权重模型（0.6B 至 122B，含关闭与开启思考模式），覆盖 1,887,356 条评分回复，并在留出场景中复核主要结论。同一条消息内，两条冲突指令中靠前者胜出的比例为 72.42% 至 94.66%；跨消息时为 22.95% 至 62.65%。策略若先出现在 system（或 developer）消息中，在所有 Qwen 模型里大多败给后续行；但 gpt-oss 启用时大多胜出。在工具和文件写入任务中，所有模型与模式下，它作为带标签的 user 消息先发送时，胜率都低于同一文本先发送的情况。研究还检验成对指令能否预测更大范围冲突；一旦知道任务指令所在位置，各模型模式的预测均有改善。按关键词模式判断，已判定的成对回复中最多仅 2.92% 标记或回避了冲突。

Manh Nguyen · Sunil Gupta · Hung Le

推理系统通过引入额外上下文（如多智能体辩论、自我修正）提升答案质量，但通信消耗会挤占推理空间。本文建立 Token 预算理论，将准确率建模为阅读后剩余推理预算的函数，并结合允许相关误差的 Condorcet 陪审团模型进行投票聚合。该理论推导了多智能体辩论的最优智能体数量闭式解，仅需单智能体测量即可确定，且适用于异构模型组合。实证表明，在预测的最优规模下，该方法在极紧的校准预算下优于强基线。自我修正遵循相同逻辑，理论预测仅当准确率上限增益超过阅读消耗的推理空间时通信才有效。在 5 个开源模型和 4 个推理任务中，自一致性在 93% 的 980 个匹配设置下匹配或超越部署的辩论，且窗口越紧优势越明显。在共享窗口下，模型剩余的思考空间比阅读内容更重要。