@noisyb0y1：牛津大学和Anthropic花费670万美元和4年时间——发现为何90%的智能体在复杂任务中失败——大多数智能体存储事实…

X AI KOLs Timeline 论文
agents graph-engineering ai-research oxford anthropic complex-tasks research-findings

摘要

一项牛津大学与Anthropic的联合研究，历时4年耗资670万美元，发现90%的AI智能体在复杂任务中失败，因为它们存储事实但丢失连接；使用基于图的方法使任务成功率提升42%，非必要调用减少33%，研究准确性提高39%。

牛津大学和Anthropic花费670万美元和4年时间——发现为何90%的智能体在复杂任务中失败 大多数智能体存储事实但丢失连接——而这些连接决定了复杂任务的质量 8750+个任务：任务成功率提升42%——非必要调用减少33%——研究准确性提高39% 图不仅知道它知道什么，还知道它有多自信——列表无法做到这一点 固定上下文的智能体会退化——拥有图的智能体会积累经验，并在每次迭代中变得更好 收藏并阅读下面的文章——明天开始构建你的第一个Graph Engineering
查看原文
查看缓存全文

缓存时间: 2026/07/21 06:40

牛津大学与Anthropic花费670万美元、历时4年，终于发现90%的代理为何在处理复杂任务时失败

多数代理能存储事实，但丢失了连接——而这些连接恰恰决定了复杂任务的质量

测试超过8750项任务：任务成功率提升42%，不必要调用减少33%，研究准确率提升39%

图不仅仅知道它知道什么，还知道它有多自信——任何列表都无法做到这一点

一个代理若上下文固定，会逐渐退化；一个代理若拥有图结构，能持续积累经验，每次迭代都变得更好

收藏并阅读下方文章——明天就开始构建你的第一个图工程

相似文章