CausaLab：评估LLM智能体因果发现能力的交互式环境
CausaLab是一个用于评估大语言模型（LLM）智能体交互式因果发现能力的可扩展环境，它不仅评估任务准确性，还评估因果机制的恢复情况，揭示了LLM智能体在预测性能与因果理解之间存在显著差距。
大语言模型智能体
First-Principle 上关于「大语言模型智能体」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
MUSE-Autoskill：自进化智能体的技能生命周期框架
本文介绍了MUSE-Autoskill框架，该框架通过技能创建、记忆、管理和评估的统一生命周期，旨在解决现有LLM智能体技能孤立、静态化的问题，从而提升任务解决能力。
NoisyAgent框架：通过噪声环境训练增强LLM智能体鲁棒性
该论文提出NoisyAgent训练框架，通过显式引入用户交互噪声和工具执行噪声，采用渐进式噪声注入策略增强智能体鲁棒性。实验表明该方法能显著提升智能体在嘈杂环境中的表现，同时在理想基准上也带来性能增益。
VitaBench 2.0：评估长期用户交互中个性化主动型智能体的基准测试
First-Principle平台分享了HuggingFace Daily Papers推荐的论文VitaBench 2.0。该基准测试专门用于评估大型语言模型在长期用户交互中作为个性化主动型智能体的表现，旨在弥补现有基准忽视从碎片化交互中推断用户偏好的挑战。
MemForest：一种基于分层时间索引的高效智能体记忆系统
2026年5月26日，HuggingFace Daily Papers发布了一篇关于MemForest记忆框架的论文。该框架旨在解决长上下文LLM智能体记忆系统维护开销大、更新管道顺序化等问题，通过并行块提取和MemTree分层时间索引，将记忆构建解耦为并发独立操作，并用局部节点更新替代全局状态重写，以降低维护成本。
Spreadsheet-RL：用强化学习提升电子表格智能体性能
2026年5月22日，First-Principle转发了HuggingFace Daily Papers的一篇论文介绍，内容聚焦于Spreadsheet-RL框架。该框架通过强化学习微调，旨在训练在真实Microsoft Excel环境中运行的专业智能体，并展示了在SpreadsheetBench基准上将特定模型的性能显著提升的实验结果。
MOCHA：用于智能体技能优化的多目标切比雪夫退火方法
2026年5月21日来自HuggingFace Daily Papers的论文介绍，研究提出MOCHA方法，用于优化大语言模型智能体技能。该方法采用切比雪夫标量化与指数退火，解决现有优化器在多目标权衡中忽略或简化为加权和的问题。实验显示，在六个任务中，现有优化器在四个任务上无法改进，而MOCHA在所有任务上取得突破，平均正确率相对最强基线提升7.5%，并发现多一倍的Pareto最优技能变体。
Mem-π：通过学习何时及生成什么实现LLM智能体的自适应记忆
论文提出Mem-π框架，用于LLM智能体的自适应记忆。该框架通过强化学习目标训练，使模型能动态生成特定指导，而非检索静态记忆条目，在网页导航等任务上相比基线有显著提升。
HASP框架：利用可执行程序函数提升LLM智能体性能
2026年5月，HuggingFace Daily Papers介绍的HASP框架，将大语言模型智能体的技能从文本指导升级为可执行的程序函数，以实现主动干预。该框架在网页搜索、数学推理和编码任务上表现优异，例如在网页搜索推理任务中，推理时程序函数比ReAct智能体平均提升25%。
BrewHub PHL 通过奇偶校验合约突破 AWS Lambda 限制，部署多语言 LLM 代理
2026年5月20日 Hacker News AI 热帖分享了一个案例：BrewHub PHL 平台采用“奇偶校验合约”模式，在 Netlify Functions/AWS Lambda 和 Google Cloud Run 等多运行时环境中复制并同步确定性安全分类器（如过敏原过滤器），以确保 LLM 代理操作外部系统时的安全一致性，评估显示过敏原绕过阻断率达100%且延迟低。
SkillsVote：解决长期运行大模型智能体经验治理难题的框架
本文介绍了SkillsVote框架，它通过构建一个生命周期治理系统，从海量开源语料中分析、验证和合成高质量、可验证的技能库，从而解决长期运行的大语言模型智能体在积累可复用经验时面临的数据噪声与治理难题。评估表明，该框架在无需更新模型本身的情况下，通过受控的外部技能库进化，可显著提升冻结智能体在Terminal-Bench 2.0（最高提升7.9个百分点）和SWE-Bench Pro（最高提升2.6个百分点）上的性能。
面向大语言模型智能体的自主探索研究
本文指出基于大语言模型的智能体在不熟悉环境中易因‘过早利用’而失败，提出了‘探索检查点覆盖率’指标，并建议采用‘先探索后行动’的训练策略。
SimPersona框架：利用点击流数据学习买家类型，增强LLM电商智能体
SimPersona是一个新框架，通过分析原始点击流数据，利用VQ-VAE学习离散买家类型，并将其映射为LLM词汇表中的“人物角色令牌”，用于微调电商购物智能体。该方法旨在解决现有LLM智能体无法模拟真实买家行为多样性的问题，无需针对特定商店进行提示工程。
EvolveMem：面向LLM代理的自演进记忆架构
本文介绍了EvolveMem，一种为LLM代理设计的自演进记忆架构。该架构提出将检索配置暴露为结构化动作空间，并通过LLM驱动的诊断模块进行优化，使存储知识和检索机制能够共同演进。
自蒸馏智能体强化学习（SDAR）方法：改进大语言模型智能体训练
本文提出一种名为SDAR的新方法，用于改进大语言模型智能体的强化学习训练。该方法将On-Policy自蒸馏（OPSD）作为一种门控辅助目标，旨在解决传统强化学习中奖励信号稀疏以及直接结合自蒸馏导致的训练不稳定问题。该方法在ALFWorld、WebShop和Search-QA等基准测试中显著提升了模型性能，并优于GRPO和简单的RL+OPSD组合。