标签
分享 yetone 高产出 AI 编码工作流的解析：核心是将任务拆解为最小可控闭环（写测试、写最小实现、修 bug 三条并行死循环），人类只负责审查与放行，充当严格的质量检查员。
TaReD 提出一种工具感知的递归分解方法，通过按功能关系将工具组织成能力层级，让智能体按需发现工具并将复杂长时程任务递归分解为子任务树，实验显示端到端任务成功率最高提升 40 个百分点。
Apodex 1.1 是一个专为深度研究设计的AI代理，能处理需要大量调研的复杂任务，通过主代理分解问题并异步派发多个子代理执行，支持长时间运行和自动恢复。
本文介绍了 Spine-Branch Coordination，这是一个用于多智能体计算机使用的框架，它将任务分解为脊柱-分支图以避免虚拟机合并，在长时程任务上展示了更高的成功率和成本效率。
OneDayAgent 是一个面向自主智能体的长时程执行框架，它将开放式任务分解为有界子任务，在上下文压力下管理执行记忆，并验证/修复最终输出。它在 AgentIF-OneDay 上使用 GLM-5.2 达到了当前最优水平，并能泛化到五个后端 LLM。
Cursor 的文章介绍了 Agent Swarm 架构，通过 Planner 和 Worker 的分层设计实现上下文隔离和高效协作，在 SQLite 重建实验中使用 Grok 4.5 达到 80% 测试通过率。
LoopTroop 是一个本地开源GUI应用程序，通过使用LLM委员会进行规划、将任务分解为独立的beads、以及带有失败记录的可控执行，来防止长编码任务中的上下文腐烂，并让开发人员始终参与其中。
作者描述被GPT 5.6和Codex深深打动且不安，强调该模型能够分解任务、回忆错误，并提出了一个优化后的流程及其具体效率提升。
提出SkillReranker，一个推理时重排序框架，通过分解任务和技能来构建有向无环执行图，并使用交叉编码器进行评分，从而提升智能体技能选择的任务性能和效率。
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。
本文介绍了SearchSwarm，一个基于合成委托智能训练的模型，通过任务分解和子代理协调来改进长周期深度研究任务，在BrowseComp基准测试中取得了最先进的结果。
本文提出了一种多智能体计算机使用 (MACU) 系统，该系统使用管理者模型将任务分解为有向无环图，供子智能体并行执行。在多个基准测试上，它相比单智能体基线有一致的改进，并展现出更好的测试时扩展能力。
DRIVE提出了一种双层技能建模框架，将推理知识与交互知识分离，用于持续学习下的Web智能体。该方法在WebArena上实现了52.8%的任务成功率，比无技能基线高出7.3个百分点。
本文研究LLM智能体的框架设计，将其分解为任务拆解和引导执行，并展示了更精细的框架并非一致更好；它揭示了失败模式，并提出了部分框架的有效性。
OpenAI 提出了迭代放大方法，用于训练 AI 系统处理复杂任务，通过递归地将任务分解为人类可以判断和解决的更小子任务，从零开始通过迭代组合构建训练信号。
OpenAI 研究提出分层强化学习方法，其中智能体将复杂任务分解为高级操作序列而非低级操作，通过将搜索复杂度从数千步降低到数十步，显著提高长视野任务的效率。
Google DeepMind 的 Gemini Robotics 2 新增多机器人协作功能，使人形机器人 Apollo 和双臂机器人“双人组”通过独立推理和沟通协调完成整理车库等复杂任务，展现了从宏观规划到精细操作的能力。