今日场景社区搜索 (UGC 短文本搜索)：帖子、问答、评论的语义匹配、query 理解、短文本召回和排序；核心指标 nDCG 与 CTR。 — 评分 57 篇，入选 10 篇，分数 3.00 – 4.40
Meta / UW / 
MIT模型把实时上下文视为可编辑文件，按任务进展删除、改写或外存证据，并通过强化学习学习管理策略。BrowseComp-Plus 上准确率达到 59.4%，相对最强摘要基线提升 11.4%，前缀复用计算量减少 21.5%；训练后的 9B 模型从 28.8% 提升至 42.5%。
Mnemon 保留带日期的原始记录，让大模型规划检索、Jev 决策模型批量判断相关性，再用明确预算组装回答上下文。使用 gpt-4.1-mini 时，LoCoMo 准确率为 91.7%、LongMemEval-S 为 83.8%，每题上下文不到 4K tokens；历史从 100K 增至 10M tokens 时，每题成本仅增长 1.11 倍。
INSIGHT对社区用户的长期搜索助手，原始帖子和对话记录比写入时抽取的固定事实更容易追溯与纠错。可把慢速查询规划与快速候选判断分开，并保留时间与来源；先验证过时信息过滤和跨会话问题，再评估是否值得引入专门决策模型，避免直接套用问答基准结论。
Environment Steering 把 Agent 和执行框架状态建模为数据库表，追踪记录级数据流，并在运行时用声明式策略检查越权。系统在违规时返回与策略、上下文相关的反馈，引导安全替代路径；在 AgentDyn 上达到 0% 攻击成功率，同时任务成功率超过无防护系统。
INSIGHT社区搜索 Agent 会读取不可信 UGC 并调用外部工具，可用执行环境控制数据流，而不只靠提示词拒绝注入。将搜索结果视为证据而非指令，限制跨来源敏感数据输出，并提供可恢复反馈；0% 是特定基准结果，不能推断真实业务攻击均能被阻止。
ARCagent 面向存在相互矛盾指南的临床问答，构建 1,706 个片段、10 个来源的知识库和冲突登记表，并按查询焦点及冲突信号校准检索。系统报告 95.3% 的评测结果；关键词匹配相对模型裁判平均低估 10.1 个百分点，说明评价方式会明显改变结论。
INSIGHT社区帖子常包含互相冲突的经验与不同时间版本，检索不能只返回最相似的单一立场。可借鉴显式冲突登记与分歧展示，把观点、日期和来源作为可核查证据；其医学结果来自特定知识库与模型裁判，迁移时必须用社区人工相关性标注重新校准。
NVIDIANeMo Relay 为 Hermes Agent 记录会话、模型与工具调用生命周期，并输出 ATOF、ATIF 和 OpenTelemetry 三种表示。文中已验证的简单任务记录 74 个事件、2 次模型调用、1 次工具调用和 0 个工具错误，输出 VALUE=42；这些是运行实例，并非总体性能提升实验。
INSIGHT复杂社区搜索可用父子调用关系定位重复搜索、截断读取和失败后的重试，先核查工具开始及结束事件，再判断调用是否真正完成。把正确性与 token、耗时一起观测，能发现答案正确但路径昂贵的流程；示例的具体计数不应被当作通用吞吐能力。
研究把自由文本映射为 SFIA 的技能及责任等级，比较词法检索、向量检索加重排、零样本模型、单 Agent RAG 与三 Agent 流程。框架包含 147 种技能和 7 个责任等级；相似度选等级的错误超过显式判断的两倍，三角色流程延迟翻倍却没有提高准确性。
INSIGHTUGC 搜索中的意图、主题和经验等级可分开预测，不应让向量相似度代替所有离散判断。先用简单检索与结构化输出建立基线，再判断多 Agent 校验是否带来增益；对闭集标签任务，增加角色可能只增加开销，应同时记录精度、召回率和延迟。
ECNU
Peking University
USTCMATE 在检索记忆与执行之间加入确定性适配：去掉过时控制信息，抽取条件、动作与效果，校验动作归一化，再按任务选择表示。134 个 ALFWorld 任务中，Qwen2.5-14B 和 72B 成功率分别达到 81.3% 和 93.3%，使用约十分之一的原始轨迹 tokens。
INSIGHT记忆语义相关并不代表它适用于当前工具或任务状态，复用前应检查条件与动作兼容性。社区搜索助手可把旧检索轨迹改写成受预算约束的步骤，并验证接口参数；该结果来自具身环境，迁移到搜索时应单独评估调用成功率与证据覆盖。
UW–MadisonMIT
Snorkel AI
StanfordLibraryDesignBench 让一个 Agent 设计库，再让三个不同模型家族的使用者执行任务，以正确性与代码简洁度衡量设计质量。基准覆盖 242 个专家验证问题、15 项库设计任务和 4 种语言；11 项任务重现了生产库抽象，但使用者仍经常重新实现已有功能。
INSIGHT搜索工具库设计应通过实际调用轨迹验收，关注模型能否发现并复用接口，而不只看函数测试通过。可用统一参数、短示例和错误反馈降低重复实现；本文显示僵硬或难用的 API 会增加下游代码量，适合用来评估社区搜索 Agent 的工具封装。
TsinghuaZhimanPeking UniversityEngiWorld 用最终与中间产物验证专业工程 Agent，覆盖 1,301 个专家任务、6 个工程领域和 26 个软件平台，并同时支持 GUI 与 CLI。七个前沿模型中最强 EngiScore 仅为 44.3，多软件任务只有 3.6% 成功，说明完成声明远不足以证明真实交付。
INSIGHT社区搜索 Agent 的验收同样应检查可验证的产物：引用是否支持结论、任务约束是否满足、报告是否完整。可把每轮工具调用和最终证据表纳入评分，而非仅让模型判断自己已完成；工程任务的低成功率不能直接等同于社区检索表现。
NVIDIAOpenShell 0.1.0 通过 Gateway、Supervisor 与 Sandbox 三个组件，在 Agent 工作负载外实施权限、凭据与网络控制。文章演示同一 GitHub API 的读请求允许、POST 写请求拦截，并说明 HTTP、GraphQL 和 MCP 检查；提供工程步骤，但没有搜索质量或线上 A/B 的量化结果。
INSIGHT社区检索助手可获得只读文档和查询接口，而让真实凭据留在隔离环境之外；运行时策略应明确区分读取与写入操作。该内容作为工具执行治理实践收录，证据评分较低；若业务只需检索，先验证读权限及审计事件，再考虑扩大工具能力。