CoworkOS：面向现实自动化的可扩展智能体同事框架
🧭 通用 Agent 运行时与多智能体协作 ★ 深度解读
Renmin University of China · Fudan University
提出三层架构（Main、Coordinator、Subagents）的通用长时程智能体运行时，支持人机共享工件与持久状态，多个基准上超越主流框架
📌 工作参考价值（4 点）
- 职责分离与异步委派：借鉴 Main-Agent 保留全局上下文、Subagents 隔离执行长任务，通过 Coordinator 的 durable queue/inbox 实现同步/异步委派，避免长上下文爆炸；可用于搜索推荐多 Agent 系统中的深度调研、批量数据分析、实验监控。
- 持久工作区与语义记忆：用 memory.md、task.json、checkpoint 记录目标、决策和未完成任务，支持跨会话恢复和上下文重建；适合电商推荐中跨天 AB 测试跟踪、策略迭代和模型训练监控。
- 共享应用资源与版本控制：人类和 Agent 通过 revision protocol 直接编辑同一 artifact（如 query 规则表、策略配置），冲突检测保证可审计；可用于人工修正搜索 query 模板或推荐策略，让专家反馈直达工作产物。
- 后台 Jobs 与监测机制：长时间训练/构建作为持久 Job，保留日志和状态，模型空闲时可唤醒；可迁移到推荐模型训练流水线、特征工程任务的状态管理，减少重复启动成本。
长程 LLM Agent 的多尺度策略优化
🧭 Agent RL · 多尺度信用分配与策略更新 ★ 深度解读
Peking University · IQuest Research · Tsinghua University · Renmin University of China · The University of Hong Kong
提出 MPO，组合 turn 级 GAE 与均值保持的 token 级信用分配，并用 turn 级重要性采样更新策略，在搜索/工具/自动化任务上全面超越 PPO/VAPO/SAO
📌 工作参考价值（4 点）
- 在对话式电商/购物 Agent 的多轮 RL 中，把一次完整的 assistant turn（搜索词、工具调用、加购决策、最终回复）作为宏动作，用 turn 级 GAE 传播终局奖励（下单、成交、任务完成），而不是直接在 token 序列上做 GAE。论文统计显示 turn 间方差占 critic 价值方差的 89.5%，说明 reward 信用主要在轮次尺度，token 级只需做均值保持的局部修正。
- 策略更新时使用 complete-turn importance ratio，并对其他 token 的 ratio 做 stop-gradient，只让当前 token 的 score gradient 保留 token-specific advantage。这个实现可以方便地接入现有 PPO/VAPO 训练框架，避免 token 级 ratio 带来的 within-turn distribution shift，适合 LLM 生成内容较长、但交互边界更重要的电商 Agent 场景。
- 超参上把跨轮衰减 λ 和轮内衰减 λ_intra 分开调，推荐 λ≈0.8、λ_intra≈0.95、β≈1.0。原因是一个 turn 包含大量 token，两者的时间尺度不同；业务里如果直接用相同衰减，要么跨轮信用太短，要么轮内 token 信号稀释。
- 该方法只增加一个 critic 和一个均值约束投影，计算开销低；若你的搜索/推荐 agent 已有 PPO 类训练栈，可以先替换 advantage 计算与 ratio 构造，不必重构环境或 reward。
记忆税：剖析 Agent 记忆相对直接检索的净价值
🧭 Agent 记忆净价值与记忆税拆解 ★ 深度解读
University of Illinois Urbana Champaign · Tsinghua University · Renmin University of China · Verdent.ai · University of Waterloo
大规模评测发现多数 Agent 记忆系统不如 naive RAG，提出记忆收益与记忆税拆解净价值
📌 工作参考价值（4 点）
- 在电商/推荐 Agent 的用户长期记忆、会话记忆或经验记忆项目中，先把 naive RAG 作为强制 baseline；很多专用记忆在 retrieval-friendly 任务上会被简单 BM25+embedding+rerank 打败，若无法显著超过 RAG，就不值得上复杂记忆架构。
- 保留一条从记忆回到原始日志/会话的“可恢复路径”：构建 memory 时同时从原始历史检索并联合 rerank，能补回构建阶段丢失或模糊的证据；实验中 SimpleMem 加 src-aug 后 LongMemEval-s 准确率从 73.6 提升到 82.8，memory tax 从 12.0 降到 5.2。
- 把“未来查询需求”当作隐式推荐问题：不要 AOT 全量预构建，利用用户历史兴趣/访问模式/偏好作为先验，选择性地对可能被未来 query 需要的信息做抽象与索引；这类似推荐系统中预估 item/信息未来相关性。
- 记忆系统要报告检索成本与原始 RAG 的 headroom；在电商/Agent 检索友好场景下，复杂记忆的增量收益有限，轻量或 JiT memory 可能是更高性价比的选择。
MLExpert：面向自主机器学习工程的通用智能体模型
🧭 Agent 后训练 · 长程 MLE 优化 ★ 深度解读
East China Normal University · Shanghai Artificial Intelligence Laboratory
用层级SFT与执行窗口交互强化学习训练35B MoE，将MLE奖牌率从37.9%提至72.7%
📌 工作参考价值（4 点）
- 执行窗口共享奖励：面向需要多轮执行反馈的推荐/搜索 Agent（如自动调参、A/B 实验优化、query 改写迭代），把相邻两次实验结果之间的多步决策作为一个 execution window，共用结果奖励，避免稀疏轨迹奖励导致的学习困难；局部性能趋势项可鼓励持续改进而非只追求终局最优。
- 异步收集 + token 级策略修正：在线 RL 中 rollout 策略与当前训练策略不一致是常态，WIRL 的 token-level policy correction（用记录 log-prob 计算比值并截断）可直接迁移到电商/搜索 Agent 的在线训练，降低等待开销。
- Outcome-guided 监督选择：从长轨迹中提取“首次最优提交”之前的有效探索与失败恢复，截断峰值后退化尾段，能显著提升长程 agent 训练数据质量；可借鉴到推荐系统策略迭代数据清洗。
- 交互 harness 设计：维护 experiment tree、candidate 提交、invalidate_node 防止过拟合/数据泄漏，可作为多版本推荐策略管理或自动实验平台的工程蓝本。
四个 Gemini 4 Argon 智能体合作通关 Minecraft
🧭 多智能体协作长程任务执行 ★ 深度解读
Google DeepMind
四个通用编码智能体通过 Mineflayer 编写 2783 个 JS 程序、共享记忆与聊天协作，27 小时 14 分首次端到端击败末影龙
📌 工作参考价值（4 点）
- 把业务操作抽象为『代码作为动作』：让 LLM 生成可执行脚本或 SQL 直接操作推荐系统内部接口，而不是只调用预定义高层工具；沉淀可复用 helper 函数/工具（本案例 42 个 helper 函数被 1519 个程序引用），对应推荐 Agent 中的特征拼接、召回请求、指标计算等常用代码片段。
- 共享记忆 + 轻量聊天双通道：在 Agent 团队中区分私有状态与共享记忆（坐标、陷阱规则、工具 quirks），关键失败转成规则并广播，适合搜索/推荐多 Agent 分工（召回、排序、文案、风控）传递候选与坑位，避免重复踩坑。
- 独立 Observer 做校验与防作弊：增加一个不参与业务的 Observer Agent，核对成功声明与真实日志/指标，防止虚假报告或规格博弈；在长链路推荐自动化中可让验证 Agent 检查策略是否真的上线、A/B 指标是否显著。
- 上下文压缩时外置关键进展：当 Agent 上下文过长触发 compaction，强制把进行中任务和下一步写入外部记忆，防止丢失跨程序状态；适用于持续数小时的离线调参、自动策略搜索或商品文案批量生成任务。
看见、维持与学习：多模态智能体记忆的演进
🧭 多模态 Agent 记忆机制综述
Rutgers · Notre Dame · Michigan · Fudan · UC San Diego
提出双轴框架解析多模态Agent记忆的形成/表示与管理演化，总结设计模式与原则
📌 工作参考价值（4 点）
- 将记忆分为 T1 静态 / T2 动态 / T3 自演进三层，可用于电商导购或客服 Agent 的记忆架构：用户长期偏好作为静态记忆（T1），会话内上下文动态更新（T2），跨会话策略通过经验持续优化（T3）。
- 双轴框架指导多模态商品信息（图片、视频、文本描述）如何编码与表示，可借鉴 modality-specific embeddings、文本/结构化记录、latent/parametric representations 的取舍，设计商品知识库和用户画像的融合方式。
- 原则强调 balancing source fidelity with abstraction、temporal validity and provenance、evidence grounding，对构建可解释、防幻觉的推荐/客服 Agent 记忆至关重要，尤其在召回证据和解释推荐理由时。
- 自演进记忆策略可类比在线学习或 meta-learning，适合需要持续适应用户兴趣漂移的推荐系统，可探索用 LLM 自动更新记忆管理 policy。
面向长程终端智能体的可扩展数据合成引擎与 27B 模型
🧭 终端 Agent 长程数据合成与 SFT
University of Science and Technology of China · AMAP, Alibaba Group · Southern University of Science and Technology
TerminalHorizon 自动合成长程终端 Agent 数据，1.5K 环境 SFT Qwen3.5-27B 后在 12 个 benchmark 全面提升
📌 工作参考价值（4 点）
- 长程 Agent SFT 数据不能只靠环境自动补全，关键要保留“探索-试错-验证”证据链；在电商 Agent 场景（比价、选品、售后排查、广告账户优化）可借鉴“独立执行识别被省略的关键工作”，避免环境和工具过度简化导致模型只会调用工具、不会解决真实问题。
- 渐进式任务扩展：同一目标下不断加入依赖前序结果的新需求，可构造多阶段、有长期依赖的训练轨迹；适合推荐/广告 Agent 的“分析→策略→执行→复盘”流程，增强模型跨阶段一致性与反馈利用能力。
- 将环境重构证据显式纳入数据生产 pipeline，可自动化产出高质量 long-horizon trajectories，降低人工标注长程 Agent 数据成本；可结合内部 terminal/sandbox 工具做 RSI-style 自改进评估。
- 论文偏 terminal/coding agent，但 SFT 后通用推理提升的结论有迁移价值：可尝试用少量真实业务环境数据微调本地 LLM Agent，重点保留长期反馈与交付物迭代过程。
Opera：面向长程编码 Agent 的语言化批评框架
🧭 Agent 执行期批评与反馈闭环
Salesforce AI Research · Rutgers University · Lehigh University
将每次纠正视为持久化笔记并跟踪到问题解决，显著提升编码 Agent 的 resolve rate 并支持蒸馏训练
📌 工作参考价值（4 点）
- 对电商/广告场景中的长周期 Agent（自动选品、广告投放、多轮购物助手），把每次干预/纠正变成持久化 note 并跟踪到闭环，而不是发完反馈就结束；配合周期性+事件驱动触发器，避免在任务进行中过早打断。
- 诊断问题用 typed operators（如重复动作、过早完成、缺乏验证），可迁移到推荐/搜索 Agent 的轨迹诊断：定义可枚举的高频失败模式，比开放生成 feedback 更可控、可审计。
- 反馈投递前先做 evidence audit，只基于可见轨迹批评，降低 LLM critic 幻觉和误判；对推荐解释、query 改写评估等 critic 模块同样适用，可减少误导性反馈。
- 用 critic-guided rollouts 蒸馏成 on-policy 微调数据，使小模型（如 Qwen3.5-9B）推理时无需 critic 也能保持提升，适合线上低延迟的推荐/广告 Agent 部署；这是一个可复用的训练数据生产范式。
GAVEL：用于验证与高效长程 LLM 任务规划的图世界模型
🧭 Agent 长程规划验证与修复
用显式图世界模型验证并修复 LLM 长程规划，将单任务成功率从 41.2% 提升至 91.8%
📌 工作参考价值（4 点）
- 为 Agent 工作流构建显式状态图模型（对象关系、动作前置条件/效果），在执行 LLM 生成的业务步骤前做符号化执行验证，拦截不可行操作，减少线上执行失败。
- 将规划错误分成两类：可由世界模型直接推导修复的缺陷（如缺失前置条件、约束违反）和需要语义推理的错误，只把后者回给 LLM，降低高成本模型调用频率。
- 用概率信念状态表示不确定信息（如库存、用户状态），在多步骤任务中动态重排剩余子任务以最小化期望成本，适用于多目标营销流程或客服工单调度。
- 用紧凑 LLM（如 Qwen3-8B）搭配显式世界模型即可显著提升长程任务成功率，适合边缘部署或成本敏感的业务场景。
GameWAM：视频游戏世界-动作模型
🧭 视频游戏世界-动作模型
Fudan University · LIGHTSPEED · Independent Researcher · Tsinghua Shenzhen International Graduate School
首个面向原生闭环游戏与GUI控制的世界-动作模型，联合生成未来视觉与键鼠动作，支持长程重规划
📌 工作参考价值（4 点）
- 「并行视觉 + 动作生成 + block-causal conditioning」可作为多模态 Agent 联合建模世界状态与下一步决策的架构参考，尤其适用于需要同时预测环境变化和行为的搜索/推荐仿真环境。
- 「mode 预测 + mode-specific 分布 + 连续动作归一化」可迁移到多任务 Agent 或生成式推荐中处理异构行为（如点击、加购、搜索词），先预测行为类型再用对应分布生成，减少异质输出的冲突。
- 「block-cycle control」类似模型预测控制：预测多步但只执行短前缀，然后基于新观测重规划，可借鉴到实时推荐策略调整；通过分层历史上下文保持长期一致性，对会话级推荐有参考价值。
- LASI 发现低频率成分主导生成输出，提示生成式动作/序列模型要监控随机源的低频成分，可通过谱约束或低通滤波增强可控性。
Apodex 1.1：用环境扩展与多智体协调扩展复杂工作能力
🧭 多智体协作与长程任务执行 ★ 深度解读
以可验证交付为单位，通过环境扩展和可交互自组织 Agent Team 在小模型上逼近前沿长程任务能力
📌 工作参考价值（4 点）
- 把长程推荐/广告分析 Agent 的内部计划外化成 Task Board：子任务、依赖、状态、结果引用都放在模型上下文之外，作为可被工具读写的共享协调状态；在 context compaction 或超长会话中仍能恢复计划，避免依赖 message history。
- 借鉴 verification asymmetry：对生成的商品卖点、活动复盘结论、搜索推荐归因等，只构造核对具体 claim、数字、出处和格式约束的验证器，要求反例或独立来源，而不是让验证者重写整份报告；反馈带 claim 级定位，便于定向返工。
- 借鉴 /inputs、/workspace、/outputs 命名空间与 provenance graph：把原始数据、中间实验、最终交付严格分离，发布必须走 controlled delivery；避免把未验证的中间结果作为推荐策略、广告配置或活动方案上线。
- 为推荐/Query 改写/运营 Agent 做可执行 sandbox 和 verifier：用“正向构造便宜、逆向求解昂贵”的方式扩展文件、搜索、代码类可验证任务；先硬化 verifier 再扰动任务，防止奖励黑客，提升 agentic RL 训练信号质量。
VibeLifeBench：多周生活世界中主动持久的生活助理评测基准
🧭 长周期主动式 Agent 评测
Xiaohongshu Dots Studio · Evolvent AI
提出了首个衡量 LLM agent 在长期变化世界中主动性与持续性的评测基准，发现所有前沿模型得分极低
📌 工作参考价值（4 点）
- 电商购物助理等长期交互场景可借鉴：agent 需具备主动察变能力（如价格波动、库存变化），而不仅是响应指令。
- 评测需覆盖三个维度：最终状态、行动及时性、隐含约束遵守——业务中类似“隐含约束”（如不打扰用户休息）往往比明面要求更重要。
- 模拟世界“时间自动推进且变动沉默”的设计，可直接复用到长期推荐或营销推送的离线回测框架，强制 agent 周期性重检。
- 开源的任务与环境可作为构建“长期主动推荐 agent”的测试床，验证上下文保持与跨会话连贯性。
AREX：递归自改进的深度研究智能体
🧭 Agent 递归自改进 · 长视野研究 ★ 深度解读
Beijing Academy of Artificial Intelligence (BAAI)
利用发现-验证不对称性，将部分验证的解递归地转化为更聚焦的研究问题，实现长视野深度研究。
📌 工作参考价值（4 点）
- 多约束查询分解与验证：电商搜索中用户需求常隐含多个约束（价格、品牌、特殊属性），可借鉴 AREX 将问题分解为约束束，通过递归验证式搜索逐条核验，避免一次性返回不满足所有条件的商品。
- 自主上下文更新工具：长对话推荐或 Agent 任务中，上下文膨胀会干扰决策。可训练模型自主调用“上下文更新”工具，将已验证的产品属性、未解决的约束及被排除的候选项压缩为紧凑状态，以替代全量历史，降低 token 成本并提升后续推理准确度。
- 关键步聚焦训练：强化学习优化推荐策略时，可标注“关键决策步”（如首次命中正确类目、修复错误搜索方向并转向），对它们施加额外的奖励塑形或集中训练，避免奖励信号被大量常规步庸稀释，显著提升长路径任务成功率。
- 双层循环架构：对于需要持续改进的生成式推荐（如营销文案生成、动态选品策略），可引入内循环产出草稿，外循环按置信度审核并针对性优化未满足的约束，实现可控的、以验证驱动的自我改进，而非无序重试。
缩放视野而非参数：用 35B 智能体达到万亿参数性能
🧭 Agent 长时域扩展 · 多教师在线蒸馏 ★ 深度解读
Shanghai Artificial Intelligence Laboratory
构建长轨迹知识-行动图与多教师在线蒸馏，让 35B MoE 智能体在科学、工程、搜索等长程任务上超越万亿参数模型
📌 工作参考价值（8 点）
- 长轨迹过程监督：KAG 构建思路可复用 \
- 论文将搜索、工具调用、验证信号统一为知识-行动图（KAG），每条训练轨迹平均 45K tokens，包含成功与失败的中间步骤。在电商搜索/推荐场景中，多轮对话推荐、深度商品调研等长程任务可借鉴此方式，把用户交互、工具调用、商品浏览记录构建为可训练的过程级监督数据，而非仅依赖最终答案。
- 多教师在线蒸馏的域路由设计 \
- 六个异构领域（搜索、工程、科学、指令跟随、工具调用）各训练一个领域教师，通过域路由的在线策略蒸馏（OPD）合并到单一 35B 学生，避免不同领域梯度冲突。电商中不同品类、不同阶段（召回/排序）的专家模型可用同样方式蒸馏为统一部署模型，通过领域标签路由教师信号，保持各领域专长。
- 显著词汇对齐（SVA）提升蒸馏效率 \
- SVA 仅约束教师高概率 token 子集（top-k 支持集）上的分布，避免全词汇表对齐引入噪声。在推荐生成式语义 ID 或文本答复时，可借鉴该技术，在蒸馏生成任务中聚焦关键 token，提高知识转移稳定性。
- RL 训练中的优势增强与数据复用 \
- 工具调用 RL 中利用过程评分为失败轨迹提供分级奖励（仅负数样本使用过程奖励），并用数据复用（64 个 hard case 反复 rollout）在少量步数内达到高效提升。当业务有少量高质量困难任务时，可复用该策略进行 RL 微调，降低对庞大数据集的依赖。
CEO-Bench：AI 智能体能否在模拟创业中玩转长线经营？
🧭 智能体长期决策评估 ★ 深度解读
Princeton University
构建 500 天初创公司经营模拟，考察智能体长期规划、信息获取与自适应能力，多数模型破产，顶尖模型勉强盈利。
📌 工作参考价值（4 点）
- 长期决策能力测试范式：在电商/推荐系统中，可参照该基准设计类似“多周期经营模拟”来评估 Agent 在面对延迟反馈、非平稳环境时的策略稳定性，例如动态定价、广告投放的长时间 A/B 测试模拟。
- 细粒度工具与数据接口设计：该基准的 Python API 和 19 表数据库为 Agent 提供了 SQL 分析 + 精细化动作空间，可以借鉴到推荐系统 Agent 中，让模型自主查询用户行为表、调整推荐策略参数，实现闭环优化。
- 隐藏信息推断与条件规划：模拟中智能体通过挖掘交易历史、社会媒体帖子推断市场偏好，并编写 IF-THEN 场景模拟代码；推荐系统 Agent 可类似地分析用户隐式反馈、预测不同策略的长期收益，提升自适应能力。
- 多模型行为模式对比：研究发现顶尖模型（Opus 4.8, GPT-5.5）将 90% 开发预算用于精准客户群定向，而弱模型则“一刀切”；在广告/推荐中，可借鉴该分析维度，监控 Agent 的策略粒度与资源分配合理性。
智能体的最终考试：面向真实经济工作流的通用Agent评测基准
🧭 Agent通用计算机使用能力评测基准 ★ 深度解读
University of California, Berkeley
覆盖55个职业子领域、1490个专家提交任务，评测Agent在长时程多模态计算机操作上的表现，最强模型整体通过率仅2.6%。
📌 工作参考价值（4 点）
- 任务设计范式：将专业工作流拆解为可验证的交付物和里程碑（gate-and-score），可直接用于构建电商客服、商品上架等Agent评测，避免LLM-as-judge的不可靠性。
- 工具使用剖析：发现Agent普遍用CLI代替GUI，导致在图形软件密集型任务上失败，提示在电商自动化（如美工、合规审查）中需显式强化GUI操作能力。
- 模型vs框架选择：模型对性能影响是框架的3倍，且资源消耗（时间、金钱）与成功率非正比，可指导选型——先用轻量框架+最强模型，再针对性优化工具集。
- 数据防污染：公共/私有任务池定期轮换，可借鉴到生产环境的Agent能力监控，防止过拟合或数据泄漏。
WildClawBench：面向真实世界长周期智能体的基准测试
🧭 Eval ★ 深度解读
Shanghai AI Laboratory · The Chinese University of Hong Kong · Fudan University · University of Science and Technology of China · Shanghai Jiao Tong University
构建60个真实长周期多模态Agent任务，揭示前沿模型在原生运行时下最高仅62.2%