标签
提出了多智能体交易记忆（MATM）框架，用于在种群级别存储和检索智能体生成的轨迹，以提高任务性能并减少交互步骤，适用于ALFWorld和WebArena等交互环境。
介绍了SkillWeaver，一个用于将多个技能路由到LLM智能体的分解-检索-组合框架，以及CompSkillBench，一个包含300个组合查询的基准测试，涵盖2,209个真实MCP服务器技能。
一篇研究论文，提出了一种统一的智能体检索框架，用于自主上下文感知数据质量评估。该框架解释自然语言使用描述，通过多智能体工作流生成可执行验证逻辑，并使用可行性验证来确保可靠性。
本文介绍了DRIVE，一个统一的基于Transformer的离线自动出价框架，它将候选动作生成与决策制定解耦，结合了分布性动作建模、检索增强的候选生成和基于价值的评估，以在预算和成本约束下提高出价性能。
本文介绍了一种检索增强的视觉-语言-动作策略，通过使用预训练模型和索引演示，消除了每个任务的微调，实现了高效的跨本体泛化和测试时的任务适应。
描述了一种改进智能体记忆搜索的方法：受一篇论文启发，将基于 grep 的精确匹配与向量嵌入相结合；在其记忆层中实现了显著的召回率提升。
本文介绍了PersonaDrive，一种将视觉-语言-动作（VLA）驾驶智能体基于从风格引导的人类驾驶数据集中检索到的演示进行条件化的流程，从而能够为闭环仿真提供风格多样的非自车智能体，并在Bench2Drive上提升了驾驶评分。
本文介绍了Engram，一个开源的用于LLM代理的双时态记忆引擎，它通过检索一个紧凑的上下文片段（约9.6k token），在LongMemEval上以混合读取路径融合稠密、词汇、图和时间信号，比完整历史基线（79k token）高出10.4个准确率点。
关于智能体记忆的社区讨论显示，尽管在记录什么（如纯文本文件、分层记忆、事后总结）方面存在各种补丁方案，但未解决的问题是保留什么——检测失败是可处理的，但决定哪些教训应持续保留仍需要人类判断。
本文提出了一种四条件诊断协议，用于分离长上下文和检索增强语言模型中的无证据可答性、神谕证据可恢复性、全上下文利用以及检索条件利用，并在多个数据集上对五种开源权重模型进行了测试。
QueryAgent-R1是一个智能体框架，利用强化学习和记忆抽象桥接电商中的查询生成与商品检索，在线测试中查询点击率提升2.9%，转化率提升3.1%。
本文提出了SGDR（State-Grounded Dynamic Retrieval，状态感知动态检索），一种面向Web智能体的在线技能学习方法，支持逐步、感知当前状态的技能复用，而非静态的任务级检索。在WebArena上的实验表明，SGDR结合GPT-4.1可达到37.5%的成功率，相较于强基线取得了约10.6%的相对提升。
Mnemo是一个开源、本地优先的记忆层，适用于任何LLM，它使用SQLite和petgraph将实体和关系提取到持久化知识图谱中，提供自动上下文注入以增强对话。
一份精选的顶级模型、引擎、库和数据集的列表，用于晚期交互多向量检索，组织在'Awesome Multivector Retrieval'资源中。
提出SENSE，一种用于检索式推测解码的语义嵌入导航方法，利用隐状态进行语义对齐和软门控评估，在LLaMA和Qwen系列上实现高达3.26倍加速，同时保持生成质量。
ExpGraph是一个模型无关的框架，通过自进化的技能与失败经验图，使LLM智能体能够复用过往经验，在不重新训练执行器的情况下将任务性能提升12%-21%。
本文提出了一种替代架构，使用径向基函数（RBF）网络，消除了深度神经网络，并以闭合形式找到全局最优解，无需迭代训练。还回顾了其他非DNN方法，如KANs和k-NN检索，并通过案例研究展示了增强的可解释性和更快的训练速度。
本文将上下文蒸馏表述为一个潜在记忆管理问题，提出一个框架，将蒸馏后的上下文存储为独立的LoRA适配器，并通过检索、路由和自门控机制来提高鲁棒性和效率。
本文介绍了微宏观检索（M2R），一种边检索边生成的框架，通过确保关键信息紧邻生成文本，减少长文本LLM输出中的幻觉。它使用基于课程学习的强化学习来训练检索和接地技能，在长上下文场景中尤其有效。
提出RAG4Outcome，一种整合多模态临床数据（PET-CT报告、手术记录、随访笔记）的检索增强生成框架，用于改善慢性骨髓炎的预后预测，增强可解释性和临床可靠性。