Agent & LLM · 2026年5月6日

每日论文速递 · Agent & LLM

💡 一句话：提出自动构建多智能体系统的框架——用 LLM planner 分解任务，通过两阶段 IR（检索+重排序）从全局 Agent 注册表中匹配最佳 agent，再由 critique agent 复核，实现端到端的 MAS 自动编排。

2026-05-06 09:10:387 篇论文条目

arXiv:2605.03986 arXiv:2605.03312 arXiv:2605.02168 arXiv:2605.03310 arXiv:2605.00136 arXiv:2605.02162 arXiv:2605.03989

I now have enough high-quality papers. I have identified 7 highly relevant papers. Let me compile the final report.

📄 每日论文速递 · Agent & LLM

日期：2026-05-06

1. From Intent to Execution: Composing Agentic Workflows with Agent Recommendation

从意图到执行：基于 Agent 推荐的智能体工作流自动编排

🔗 https://arxiv.org/abs/2605.03986

🎯 关联：极高 — 这就是 Anna 在做的事：Agent 平台上的自动化任务分配和编排。Agent 推荐+注册表的设计模式可以直接参考。

2. MemFlow: Intent-Driven Memory Orchestration for Small Language Model Agents

MemFlow：面向小语言模型 Agent 的意图驱动记忆编排

🔗 https://arxiv.org/abs/2605.03312

💡 一句话：针对 SLM Agent 的长程记忆管理，用 Router Agent 按查询意图分类，调度到三层记忆策略（简单查找/精准检索/深度推理），动态控制 token 预算，性能翻倍。

🎯 关联：极高 — Memory 编排是 InternOS 协调系统的核心问题，意图路由+分层记忆架构完全对口。

3. Planner Matters! An Efficient and Unbalanced Multi-agent Collaboration Framework for Long-horizon Planning

规划者至上！面向长程规划的高效非均衡多智能体协作框架

🔗 https://arxiv.org/abs/2605.02168

💡 一句话：系统性研究多 Agent 协作中的算力分配，发现把主要算力和 RL 训练集中在 planner 上（而非 actor/memory manager）效果最好，提出 planner-centric RL 方案。

🎯 关联：高 — 对 Agent 平台的资源调度策略有直接启发：不同角色的 Agent 不必用同等规格的模型。

4. Coordination as an Architectural Layer for LLM-Based Multi-Agent Systems

协调作为 LLM 多智能体系统的架构层

🔗 https://arxiv.org/abs/2605.03310

💡 一句话：提出将"协调"从 Agent 逻辑和信息访问中分离出来，作为独立可配置的架构层；不同协调配置会导致可区分的失败模式签名，提供可预测性。

🎯 关联：极高 — InternOS 的核心设计挑战就是"协调层"的抽象。这篇论文的方法论（将协调参数化为独立层）是直接可借鉴的架构思路。

5. Are Tools All We Need? Unveiling the Tool-Use Tax in LLM Agents

工具就够了吗？揭示 LLM Agent 的工具使用税

🔗 https://arxiv.org/abs/2605.00136

💡 一句话：揭示了一个反直觉现象：工具调用协议本身会引入"工具税"（性能损耗），在有语义干扰时工具增强反而不如纯 CoT。提出 G-STEP 推理时门控机制来缓解。

🎯 关联：高 — 做 Agent 平台必须理解什么时候该调工具、什么时候直接推理。这个"工具税"概念对设计工具调用策略很有价值。

6. AAFLOW: Scalable Patterns for Agentic AI Workflows

AAFLOW：可扩展的 Agentic AI 工作流模式

🔗 https://arxiv.org/abs/2605.02162

💡 一句话：把 Agent 工作流建模为算子抽象，用 Apache Arrow + Cylon 实现零拷贝数据平面，异步批处理 + 资源确定性调度，管线加速 4.64 倍，解决现有框架的序列化和不确定执行问题。

🎯 关联：高 — Agent 平台的底层运行时设计参考。尤其是"零拷贝数据平面"和"资源确定性调度"的思路，对 InternOS 的系统层面优化有启发。

7. Experience-RAG Skill: Agent-Oriented Pluggable Retrieval Strategy Orchestration

Experience-RAG Skill：面向 Agent 的可插拔检索策略编排

🔗 https://arxiv.org/abs/2605.03989

💡 一句话：将"检索策略选择"封装为可复用的 Agent Skill，根据场景自动选择不同检索方式（事实问答/多跳推理/科学验证），而非硬编码在工作流里。

🎯 关联：高 — "可插拔 Skill" 的抽象方式非常适合 Agent 平台的模块化设计，experience-driven 的策略选择思路可用于 InternOS 的动态能力调度。

本日总结： 今天的高价值论文集中在 多 Agent 协调架构（#1, #3, #4）和 Agent 内存/工作流编排（#2, #6, #7）两大方向，与 Anna 的 Agent 平台和 InternOS 工作高度相关。特别推荐 #4（协调层抽象）和 #2（记忆编排），可能直接对应当前架构设计中的痛点。