每日论文速递 · Agent & LLM

📄 每日论文速递 · Agent & LLM

日期：2026-07-13

---

1. Agora: Enhancing LLM Agent Reasoning Via Auction-Based Task Allocation

Agora：用拍卖式任务分配增强 LLM Agent 推理

🔗 https://arxiv.org/abs/2607.09600

💡 一句话：把每一步推理任务当成“可竞价商品”，让模型/工具按校准后的能力和成本竞标，动态路由到更合适的 solver。

🎯 关联：高。Anna 做 Agent 平台时，工具/模型调度不能只靠 static routing，这篇的 auction-based allocation 很适合参考成 orchestration 层策略。

---

2. Shared Selective Persistent Memory for Agentic LLM Systems

面向 Agentic LLM 系统的共享选择性持久记忆

🔗 https://arxiv.org/abs/2607.09493

💡 一句话：不是保存完整对话，而是只持久化任务规格、数据 schema、工具配置、输出约束这类可复用上下文，并支持跨用户共享。

🎯 关联：极高。这个直接打 Anna 的 Agent 平台和 InternOS memory 设计核心：memory 不是“记更多”，而是“选对可迁移状态”。

---

3. Mosaic: Runtime-Efficient Multi-Agent Embodied Planning

Mosaic：运行时高效的多智能体具身规划

🔗 https://arxiv.org/abs/2607.09603

💡 一句话：用 agent-centric semantic memory 做轻量状态跟踪，再用 ILP 约束分配动作，减少冲突、失败动作和 LLM 调用。

🎯 关联：高。虽然场景是 embodied agents，但它对 Anna 的多 Agent 编排很有启发：coordination 不该全靠自然语言商量，约束求解器可以直接进调度层。

---

4. When is Routing Meaningful? Diversity and Robustness in Language Model Societies

什么时候路由才有意义？语言模型社会中的多样性与鲁棒性

🔗 https://arxiv.org/abs/2607.09197

💡 一句话：指出 router 准确率高不代表有用；如果候选模型行为没差异，或者 query 轻微改写就路由漂移，这个 routing 就是假的。

🎯 关联：高。Anna 如果做多模型/多 Agent 调度，这篇是个很好的 sanity check：先衡量 actor diversity 和 routing stability，再谈优化。

---

5. Communication-Efficient Digital-Twin Coordination for Heterogeneous LLM Embodied Agents over Computing Power Networks

面向异构 LLM 具身 Agent 的低通信数字孪生协调框架

🔗 https://arxiv.org/abs/2607.09330

💡 一句话：让 Agent 上报结构化动作意图和资源约束给 digital twin server，由规则 orchestrator 统一解冲突，把多轮自然语言协商替换成结构化协调。

🎯 关联：中高。对 InternOS 很有价值：组织协调系统别让 Agent 互相聊天到死，应该沉淀成 shared state + constraint resolver。

---

6. Writing Bug Reports for Software Repair Agents: What Information Matters Most?

给软件修复 Agent 写 Bug Report：哪些信息最重要？

🔗 https://arxiv.org/abs/2607.09553

💡 一句话：研究发现对修复 Agent 最有帮助的不是传统复现步骤，而是能缩小搜索空间的定位线索和 suggested fix。

🎯 关联：高。Anna 如果做代码生成/软件工程 Agent，这篇很实用：任务输入格式要 agent-ready，不是 human-friendly；issue schema 需要重新设计。

---

7. TrustX Agent Risk Classification Framework (ARC): Risk-Tiering Internally Created Agentic AI Systems

TrustX ARC：企业内部 Agentic AI 系统风险分级框架

🔗 https://arxiv.org/abs/2607.09586

💡 一句话：给企业内部自建 Agent 系统做七类 Agent、十二维风险评分、三层治理分级，并单独覆盖 coding assistant 场景。

🎯 关联：中高。Anna 做 Agent 平台不能只看能力，迟早要补 governance/risk tiering；这篇可以当内部 Agent registry 和权限分级的参考。