2026-09-09 周三 · Agentic

独立报告页 · 在站内浏览(含往期切换)→
Generative生成式推荐 · 4 篇Personalization个性化推荐 · 2 篇AI SearchAI 搜索 · 4 篇Agentic智能体搜索 · 10 篇Infra系统与索引 · 6 篇

今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。 核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。 关注:语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 本次覆盖说明:爬虫按 3 天窗口运行;Web 补充按技能允许的 90 天门槛,入选论文日期主要为 9 月 1 日和 4 日,并非都在 3 天内。 来源多样性未达标:web_search 90%、blog_rss 10%;其中 8 篇原始发布平台为 arXiv,平台口径也超过 70%。 中文工业文章已被历史或跨轨去重;未强行重复收入。 — 评分 20 篇,入选 10 篇,分数 3.20 – 4.30

本期目录 · 10 篇
  1. 01First Things First: Teaching LLM-Based Agents to Prioritize Must-Haves before Nice-to-Haves
  2. 02Dense Process Supervision for Search Agents via Fact Utility Estimation
  3. 03CoBRA: Learning Tool-Use Boundaries via Counterfactual Margins
  4. 04Skill Following: Evaluating Actual Skill Use in Retrieval-Enabled LLM Agents
  5. 05Multi-Step Tool-Calling over Korean Open Public APIs: A Benchmark and a Data-Synthesis Recipe
  6. 06Harness Engineering in LLM Tool Use via Agent-Native Reusable Tool Primitives
  7. 07Trace2Tower: Transition-Aware EigenTrace Induction of Multi-Level Skills for LLM Agents
  8. 08Polished but Unresolved: Identifying Late-Stage Pressure States in Long-Horizon Tool-Use Agents
  9. 09Multi agent retrieval validation and knowledge reasoning for enhanced retrieval augmented generation
  10. 101Password increases engineering productivity 21% with Codex
LEAD STORY · 今日必读 · SJTU / ByteDance

First Things First: Teaching LLM-Based Agents to Prioritize Must-Haves before Nice-to-Haves

FTF-rl 将用户需求区分为必须满足与可选偏好,并覆盖唯一解、多解和无解三种情形。FTF-bench 包含 3,649 道电商、预订及出行问题;在留出的 10% 测试集上,Qwen2.5-VL-7B 平均正确率由 39.78% 升至 55.80%,但无解场景从 44.26% 降至 42.62%。

相关 5新颖 4实用 4证据 4时效 4
4.30
综合分 / 5
偏好调整 4.45
KEY INSIGHT · 对业务意味着什么社区搜索中的地点、时间和排除条件可先作为硬约束,再对风格等软偏好排序,避免生成答案违反用户底线。该设计适合复杂查询理解与搜索 Agent 的结果校验;离线评测应分别统计约束违背率、无解拒答与 nDCG,不能用平均收益掩盖拒答能力下降,也不能直接推断 CTR 收益。
Ju, Tianjie, Xu, Xinyue, Sun, Wanxuan, Diao, Lingxiao, Liu, Gongshen, Zhang, Zhuosheng, Ya... · 2026-09-04 · arXiv

今日其余入选

9 篇 · 按综合排名
02 4.20

Dense Process Supervision for Search Agents via Fact Utility Estimation

Nanjing UniversityAnt Group

FactAgent 将搜索推理过程表示为证据事实的积累,从原始观测抽取结构化事实并聚合同义事实,再用组内轨迹的贝叶斯估计生成密集步骤奖励。研究覆盖 7 个单跳及多跳问答基准,7B 模型平均 EM 超过最强基线 3.2 点;系统只使用本地 Wiki-18 索引,每题最多运行 8 轮。

INSIGHT对需要串联多条帖子和问答的社区查询,可把奖励归因到新增有效事实,减少重复检索和偶然答对带来的训练噪声。实施时应保留帖子标识、证据出处和事实合并过程,用多跳问题检验事实覆盖率与最终相关性;论文显示未经过强化学习适配的事实工作流可能弱于单次 RAG。

Zhu, Rongzhi, Liu, Xiangyu, Liu, Yi, Zhang, Shuo, Zhang, Ruirui, Wu, Rui, Jiang, Tao, Sun, Zequn, Xu...
arXiv·2026-09-01·Relevance 5 · Novelty 4 · Practical 4 · Evidence 4 · Timely 3
03 4.20

CoBRA: Learning Tool-Use Boundaries via Counterfactual Margins

TencentUCASWuhan University

CoBRA 针对搜索智能体不必要调用工具的问题,比较同一问题使用与不使用工具的收益差,再结合边界感知监督微调和反事实强化学习训练路由策略。在 Qwen3-4B 上,相对 Search-R1-3B,域内与域外工具调用分别减少 20.1% 和 22.2%,效用指标分别增加 0.0759 和 0.0866。

INSIGHT社区搜索可以把是否扩展检索作为独立决策:对知识不足或时效敏感的问题追加证据,对已有充分依据的问题及时停止。建议用同题双轨执行构造训练样本,联合观察答案正确率、调用次数、nDCG 与 CTR;论文的效用函数带有成本权重,迁移时应按业务延迟预算重新校准。

Zou, Wenhao, Liu, Xianglong, Bi, Wendong, Wang, Hanjie, Zhao, Simin, Zhi, Gong
arXiv·2026-09-01·Relevance 5 · Novelty 4 · Practical 4 · Evidence 4 · Timely 3
04 4.15

Skill Following: Evaluating Actual Skill Use in Retrieval-Enabled LLM Agents

Soongsil University

论文提出 RAE:只在实际取回技能的任务上,比较同题开启与关闭技能后的结果,避免把不同难度任务混在一起。研究评估 17 个模型;MBPP+ 的 s42 划分中,Gemini-2.5-Flash-lite 的总体检索增益为 +6.2 个百分点,但同题实际使用效果为 −15.6 个百分点。

INSIGHT社区搜索 Agent 的检索触发本身会选择特定难度的查询,因此直接比较检索与未检索流量可能产生误导。可用同题配对回放统计检索挽救和损害的答案数量,再与线上随机实验的 nDCG、CTR 结果交叉检查;该指标诊断的是完整使用链路,不等同于单独评判召回器质量。

Cho, Seonghyeon, Park, Chanjun
arXiv·2026-09-01·Relevance 4 · Novelty 4 · Practical 5 · Evidence 4 · Timely 3
05 4.00

Multi-Step Tool-Calling over Korean Open Public APIs: A Benchmark and a Data-Synthesis Recipe

LG CNS

EDGE 通过真实 API 执行验证工具输出到后续输入的依赖边,再沿图生成多步调用轨迹,减少仅靠模型想象产生的无效数据。KOPA-Bench 包含 145 个任务;使用 1,781 条样本进行 GRPO 训练后,9B 模型 pass@1 从约 0.33 提升至 0.43,接近未微调 27B 的 0.45。

INSIGHT将社区搜索、帖子读取、评论聚合和结构化筛选工具建立成可执行依赖图,有助于生成贴近真实链路的训练数据。建议先验证接口契约和动态返回值,再训练模型选择执行路径;评估同时报告单次成功率与多次尝试成功率,并把最终证据相关性和用户点击反馈接回搜索业务指标。

Kim, Dain, Cho, Eungi, Kim, Kyumin, Noh, Shinyeong, Lim, Kyuseong
arXiv·2026-09-04·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 4
06 3.90

Harness Engineering in LLM Tool Use via Agent-Native Reusable Tool Primitives

UIUCStarc Institute

HEART 用带语言接口的 Tool Primitives 封装 API 解析与执行,再由规划、路由和验证组件组织嵌套调用及失败恢复。ToolFace 收录 25,519 个函数,按需检索避免一次塞入全部工具;论文报告 50 个真实任务完成率为 84%,三种商业模型平均为 22%,API 成本最高减少 85%。

INSIGHT社区搜索 Agent 接入多种内容接口时,可借鉴按需发现工具与统一执行封装,减少接口描述占用上下文的问题。试点应分别测量工具召回率、参数解析错误和恢复成本;论文不同系统的完成率差距属于其具体实验设置,不能直接换算成线上 nDCG、CTR 或同等规模的成本收益。

Jin, Haibo, Wang, Suijin, Yu, Xucheng, Luo, Haojing, Wang, Haohan
arXiv·2026-09-01·Relevance 4 · Novelty 4 · Practical 4 · Evidence 4 · Timely 3
07 3.75

Trace2Tower: Transition-Aware EigenTrace Induction of Multi-Level Skills for LLM Agents

Trace2Tower 将执行轨迹抽象为事件图,同时编码语义兼容性、状态转移和成功结果,再用对比谱分解生成动作、流程及任务策略三级技能。ALFWorld 成功率达到 87.31%,平均 10.35 步、0.26 次无效动作;WebShop 的严格成功率为 50.67%,展示了分层经验复用的效果。

INSIGHT复杂社区搜索可从成功的检索、追问和证据核对链路中提炼可复用流程,同时记录失败路径,避免仅按文字相似度重放历史轨迹。图结构和验证反馈具有借鉴价值,但实验主要来自交互环境;用于 UGC 内容时还需检验时间变化、帖子删除及技能过期对答案相关性和调用成本的影响。

Sun, Jiazheng, Yang, Boyu, Yuan, Binhao, Li, Mingxuan, Peng, Xin
arXiv·2026-09-04·Relevance 4 · Novelty 4 · Practical 3 · Evidence 4 · Timely 4
08 3.65

Polished but Unresolved: Identifying Late-Stage Pressure States in Long-Horizon Tool-Use Agents

Nanjing UniversityAlibaba

PSPR 研究长程工具调用智能体在约束未解决时提前交卷的问题,通过线性探针检测隐状态并实施分级干预。探针 AUROC 为 0.916;DeepPlanning-Travel 上,Qwen3-32B 的 ReAct 加入 PSPR 后 CP 从 29.3 升至 33.2,DeepPlanning-Shop 严格准确率由 19.0 升至 23.0。

INSIGHT社区多步搜索的完成条件应绑定证据充分性和用户约束,避免答案文字完整却遗漏关键限定。可先借鉴高压力时重新整理约束、映射剩余动作的策略,再考虑需要模型隐状态的激活干预;评估应同时检查提前停止率、证据覆盖和响应延迟,论文结果采用 pass@3,不能视为单次成功率。

Chen, Haoyang, Liu, Yi, Shao, Jianzhi, Xu, Xiaozhou, Sun, Zhe, Hu, Wei
arXiv·2026-09-01·Relevance 4 · Novelty 4 · Practical 3 · Evidence 4 · Timely 3
09 3.30

Multi agent retrieval validation and knowledge reasoning for enhanced retrieval augmented generation

JAIN UniversityDES Pune UniversityVishwakarma Institute of TechnologySymbiosis International University

MARCO 将检索、推理、验证和综合划分为 4 个协作智能体,通过共享记忆池及通信协议协调稠密稀疏检索、查询分解和跨来源验证。作者在 Natural Questions、HotpotQA 与 MuSiQue 上报告 EM 改善 4.2–8.1%、F1 改善 4.5–7.8%;当前可读页面未展开完整实验表。

INSIGHT面向观点不一致的社区帖子,可借鉴独立验证阶段,把证据一致性与答案组织分开处理,并为结论保留原帖依据。现有页面只提供摘要级实验描述,未明确百分比是否为绝对百分点,也未展示完整成本和消融细节;建议补齐原文再决定实现规模,暂不将其视为已验证的线上相关性收益。

Babasaheb Satpute et al.
网页来源·2026-09-01·Relevance 4 · Novelty 3 · Practical 3 · Evidence 3 · Timely 3
10 3.20

1Password increases engineering productivity 21% with Codex

1PasswordOpenAI

1Password 将 Codex 接入规划、代码实现、测试、审查与跨服务故障调查,在明确的工程边界内完成多步工具工作流。案例报告活跃用户群生产率改善 20.9%,PR 周期中位数缩短 10.9%;一个涉及 10 多个微服务的问题,调查由约两小时缩短到 5–20 分钟,属于企业自报观察。

INSIGHT对社区搜索团队,更直接的借鉴是用智能体串联故障证据、验证假设和运行回归检查,缩短搜索实验与问题定位周期。案例未提供搜索 nDCG 或 CTR 增益,也不能证明全部生产率变化由工具导致;试点应记录任务类型、人工复核时间和交付周期,用真实交付效果衡量多工具编排价值。

技术博客·2026-09-08·Relevance 3 · Novelty 2 · Practical 4 · Evidence 3 · Timely 5

其他赛道今日

点击切换
Generative
4
生成式推荐 · 篇入选
Personalization
2
个性化推荐 · 篇入选
AI Search
4
AI 搜索 · 篇入选
Infra
6
系统与索引 · 篇入选

开源雷达

GitHub / HuggingFace 热门 · 5 个项目
moonshotai/Kimi-K3pipeline: image-text-to-text; tags: transformers, safetensors, kimi_k3, feature-extraction, compressed-tensors, conversational, image-text-to-text, custom_codemodel · ★ 11241 · 2026-06-13 · HuggingFacezai-org/GLM-5.3-Flashpipeline: image-text-to-text; tags: transformers, safetensors, glm5_next, image-text-to-text, conversational, en, zh, arxiv:2602.15763model · ★ 2169 · 2026-08-25 · HuggingFacezai-org/GLM-5.3pipeline: text-generation; tags: transformers, safetensors, glm_moe_dsa, text-generation, conversational, en, zh, arxiv:2602.15763model · ★ 1762 · 2026-08-25 · HuggingFaceQwen/Qwen-Drive-1.0-4Bpipeline: image-text-to-text; tags: transformers, safetensors, qwen_drive, autonomous-driving, motion-planning, 3d-perception, visual-question-answering, qwenmodel · ★ 87 · 2026-08-27 · HuggingFacezai-org/GLM-5.3-Flash-BF16pipeline: image-text-to-text; tags: transformers, safetensors, glm5_next, image-text-to-text, conversational, en, zh, arxiv:2602.15763model · ★ 59 · 2026-08-25 · HuggingFace