标签
本文介绍了一种用于移动GUI代理的混合交互方式，通过应用原生深度链接进行增强，以减少导航步骤并提高任务成功率。所提出的GUI-Hopper代理学习何时使用深度链接进行直接导航，以及使用GUI操作作为后备方案，在模拟和真实设备评估中均表现出增益。
ControlScope 是一种让大型语言模型代理修订工作流的方法，通过比较文件系统任务、ALFWorld 和 AppWorld 中的修复策略来增强可靠性。
本文探讨了使AI代理在无监督情况下完成任务时所需的验证措施和证据，包括来源引用、行动预览、操作限制、步骤记录以及错误检测的实例。
Vinod Khosla 预测，个人AI的两大护城河是用户对公司的信任以及工具有效完成任务的能力，他指出 Meta 在消费者信任方面存在巨大劣势。
在一项多步骤客户服务代理任务上的对比测试中，MiniCPM5-2B 准确且高效地完成了任务，而 Spark-X2.5-4B 表现不佳，突出了代理在任务执行中的作用。
本文质疑在AI代理成功执行任务后，我们是否变得过度信任它们，强调了未被发现错误的风险，并探讨了验证层的必要性。
Apodex 1.1是一个AI系统，将焦点从简单答案转移到完成和验证整个工作，具备环境扩展和代理协调的能力。
一位Reddit用户分享了在小型本地LLM上测试成熟编排技术的结果，发现90%失败了，但幸存下来的10%在LFM 1.2B和Gemma 4 26B-A4B等模型上将任务完成率大约翻了一倍。
Step 3.7 Flash 是一款紧凑型模型，能够处理视觉、实时数据检索和代码生成，从一张截图开始，在几分钟内自主构建一个可用的仪表盘，每次会话成本约为50美分。
本文讨论了AI代理基准测试中的“验证者税”概念，区分了安全成功（完成任务且不违反约束）与不安全成功（完成任务但违反约束），并质疑在考虑安全权衡的情况下如何正确衡量代理性能。
本文通过在30,000个问题上测量前沿AI模型在没有显式思维链的情况下的推理能力，发现无CoT的任务完成时间视野每年翻一番，到2028年可能超过7分钟，这引发了对安全监管的担忧。
本文讨论了AI智能体系统中的一种反模式：智能体看似忙碌却未能完成任务。作者建议通过分离职责并要求完成证明来解决。
ProAct 是一种主动式智能体架构，利用空闲时间计算来预见用户需求，提升任务完成的效率与准确性。它引入了 ProActEval 基准测试，涵盖 40 个领域的 200 个场景，相比被动式基线取得了显著提升：所需交互轮次减少 14.8%，用户努力降低 11.7%，幻觉率下降 28.1%。
文章认为，AI对任务的自动化实际上是在扩大就业，而非消除就业，它使得更高质量的工作和新受众成为可能。文章引用了某公司自GPT-3以来员工从4人增加到30人的例子作为证据。
作者观察到，浏览器代理已从华而不实的演示演变为可靠地执行研究、更新表格、完成工作流等任务，标志着从助手到操作员的转变。