标签
SchemaRouter为异构智能体RAG系统引入了一个轻量级的模式图路由层，通过仅选择必要的工具和字段来最小化检索开销，同时保持答案准确性和出处归因。
本文提出了一种针对自主科学代理的主张感知可观测性框架，强调工件沿袭和审计关系，以提高科学工作流程的透明度和错误检测能力。
本文提出了中心化残差签名，用于语言模型检查点的无数据谱系验证，展示了在区分微调后代与不相关模型方面的高准确性和计算效率。
文章批判了AI生成文本的概念以及水印技术在证明AI参与方面的有效性，认为它可能无法捕捉人类贡献，并突出了定义‘AI垃圾’时的模糊性。
本文介绍了Matrix，一个用于智能体工作流的确定性因果状态层，它记录权威与事实依赖、验证完成证据，并选择性地使过期工作失效，以确保受治理的执行和可审计性。
一篇博客文章及配套推文探讨了随着互联网充满合成内容，生成式AI之前的数据是否变得更有价值，讨论了来源、模型崩溃以及Anthropic的图书扫描。
介绍了 MAP-Graph，一个面向多智能体工作流的溯源感知共享内存层，它通过权限过滤、路径信任重排序，并对风险操作进行门控，在受控基准测试中实现了 94.96% 的任务成功率。
介绍开源项目 Semantica，它通过构建 Context Graph / Knowledge Graph 为 AI Agent 提供可追溯的决策依据和支持审计的能力，适用于金融、医疗等对可解释性要求高的场景。
Anthropic 宣布将对所有 Claude 文本输出添加水印，这种水印嵌入在词语选择中而非字节中，几乎无法察觉；本文分析其工作原理以及文本水印可以隐藏的层级。
OMEM 是一个面向 AI 智能体的记忆层，能随时间追踪信念、呈现矛盾并保留溯源信息，旨在取代静态的向量存储记忆。作者正在为这个尚未达到生产就绪状态的工具寻找早期测试者。
Anthropic 正在为所有 Claude 文本输出添加不可见水印，并为受支持的文件添加带签名的 C2PA 来源元数据，这符合《欧盟人工智能法案》透明度行为准则，检测机制将在稍后详细说明。
本文介绍了 GPTKB 2.0，这是一个由 LLM 派生的大规模去歧义知识库，包含 160 万个规范化实体上的 3840 万条三元组。它提供了一个网页界面，用于浏览、SPARQL/自然语言查询，以及审计事实来源和消歧决策。
一篇论文探讨了LLM智能体中的“记忆来源洗白”现象，即长期记忆可以将不可信的观察结果转化为看似可信的上下文，并提出了通过记忆整合来保留来源信息的方法。
Semantica 是一个开源工具，可将任何数据转换为上下文图（Context Graph），记录每个 AI 智能体决策的完整因果链及 W3C PROV-O 溯源信息，为金融、医疗保健和政府领域提供确定性可解释性。
Us vs. Them 是一个命令行工具/库，通过分析 git 历史来提供行级溯源，显示在代理式编辑下哪些文本行由人类编写，哪些由 AI 智能体编写。
Semantica是一个开源的、自托管的平台，它将数据转换为知识图谱，记录AI代理的决策，并为可解释、可追溯的AI系统提供完整的来源追溯和确定性推理。
提出了SkillTrace，一种面向LLM智能体技能复用的多迹溯源审计框架，该框架提取表达迹、实现迹和操作迹，在基准测试上取得了较高的准确率，并能够进行大规模真实环境审计。
本文提出了一种 Agent 架构原则：参数通过溯源链（user_answer、instruction、pre_set_data、measured_data、prior_state）查找获得，而非生成，并将未知字段视为合法状态，以触发向用户询问。
本文综述了“善意的对抗攻击”，考察在视觉内容生命周期中应用的主动保护措施，以干扰未经授权的AI自动化并支持问责，涵盖五个研究社区，包括隐私过滤器、不可学习样本、生成式防护、对抗性CAPTCHA和溯源机制。
一位开发者介绍了 Proofpress，这是一个原型，它将可移植的修订/决策轨迹嵌入 Markdown 和静态 HTML 工件中，使代理（agent）之间的交接能够保留上下文，并为 DOCX 提供 sidecar 完整性证据。