Agent & LLM · 2026年7月7日
每日论文速递 · Agent & LLM
💡 一句话：把“模型打分”升级成可缩放的连续验证信号，用来判断 agent 输出、任务进度、代码任务和 RL 反馈是否靠谱。
📄 每日论文速递 · Agent & LLM
日期：2026-07-07
1. LLM-as-a-Verifier: A General-Purpose Verification Framework
《把 LLM 当验证器：通用 Agent 任务验证框架》
🔗 https://arxiv.org/abs/2607.05391
💡 一句话：把“模型打分”升级成可缩放的连续验证信号，用来判断 agent 输出、任务进度、代码任务和 RL 反馈是否靠谱。
🎯 关联：很高。Anna 做 Agent 平台不能只看 final answer，需要独立 verifier/critic 层；这篇对 InternOS 的承诺跟踪、任务完成判定、自动验收都有直接参考价值。
📅 提交：2026-07-06
2. CompactionRL: Reinforcement Learning with Context Compaction for Long-Horizon Agents
《CompactionRL：面向长程 Agent 的上下文压缩强化学习》
🔗 https://arxiv.org/abs/2607.05378
💡 一句话：让 agent 学会在长任务里压缩历史上下文，同时继续完成任务，解决 context window 被长轨迹撑爆的问题。
🎯 关联：非常高。InternOS/Agent 平台如果要跑长期项目、跨天任务、多人协作，memory compaction 不是优化项，是生存条件。
📅 提交：2026-07-06
3. PiSAs: Benchmarking Contextual Integrity in Multi-User Agentic Systems
《PiSAs：多用户 Agent 系统中的上下文完整性与隐私泄露基准》
🔗 https://arxiv.org/abs/2607.05318
💡 一句话：专门测共享 Agent 系统里信息是否被错误泄露到其他用户、共享 memory 或 inter-agent message 中。
🎯 关联：非常高。Anna 的 InternOS 本质是组织级协作系统，多用户权限、memory 隔离、谁能看到什么，必须从第一天进架构。
📅 提交：2026-07-06
4. MetaSkill-Evolve: Recursive Self-Improvement of LLM Agents via Two-Timescale Meta-Skill Evolution
《MetaSkill-Evolve：通过双时间尺度元技能演化实现 Agent 递归自我改进》
🔗 https://arxiv.org/abs/2607.05297
💡 一句话：不只让 agent 改进 task skill，还让它改进“如何改进 skill”的 meta-skill，形成递归自我优化循环。
🎯 关联：高。适合 Anna 思考 InternOS 里的“组织学习”：系统不只是记住经验，而是沉淀可复用 procedure 和改进机制。
📅 提交：2026-07-06
5. AgentGym2: Benchmarking Large Language Model Agents in De-Idealized Real-World Environments
《AgentGym2：在非理想真实环境中评测 LLM Agent》
🔗 https://arxiv.org/abs/2607.05174
💡 一句话：把 Agent benchmark 从干净、预设工具、信息完备的玩具环境，推向有噪声、缺信息、要自己探索工具的真实任务。
🎯 关联：很高。Anna 做平台评测不能只测“会不会调用工具”，要测 tool discovery、鲁棒性、端到端执行链路。
📅 提交：2026-07-06
6. Agent Data Injection Attacks are Realistic Threats to AI Agents
《Agent 数据注入攻击是真实威胁》
🔗 https://arxiv.org/abs/2607.05120
💡 一句话：指出一种比 prompt injection 更隐蔽的攻击：把恶意数据伪装成可信 metadata/tool response/context，让 agent 执行错误动作。
🎯 关联：非常高。Anna 的 Agent sandbox、工具调用、文件/网页/CLI 输入都要做 trusted vs untrusted data 隔离；否则系统迟早被打穿。
📅 提交：2026-07-06
7. Your Agent's Memories Are Not Its Own: Forged Reasoning Attacks on LLM Agent Memory and Defenses
《你的 Agent 记忆不一定属于它自己：伪造推理记忆攻击与防御》
🔗 https://arxiv.org/abs/2607.05029
💡 一句话：攻击者不污染事实 memory，而是污染 agent 的“推理历史”，让它之后自己强化错误判断。
🎯 关联：非常高。InternOS 如果有长期 memory/decision log，不能只做内容检索权限，还要保护 reasoning trace 的来源、完整性和可撤销性。
📅 提交：2026-07-06
8. ToolFailBench: Diagnosing Tool-Use Failures in LLM Agents
《ToolFailBench：诊断 LLM Agent 工具使用失败》
🔗 https://arxiv.org/abs/2607.04686
💡 一句话：把工具失败拆成 tool-skip、忽略结果、编造输出、不该用工具却用了等具体错误类型，而不是只看最终准确率。
🎯 关联：很高。Anna 的 Agent 平台需要这种 failure taxonomy，不然 debug 只会停在“模型不稳定”这种废话层面。
📅 提交：2026-07-06