- 1. APEX-Searcher: Augmenting LLMs' Search Capabilities through Agentic Planning and Execution · 📖 深度解读
APEX-Searcher 针对复杂多跳问题中单次检索不足的痛点，提出了一种基于 Agentic 规划与执行的搜索增强框架。该系统将搜索过程分解为规划（Planning）、执行（Execution）和验证（Verification）三阶段，允许 LLM 动态决定搜索策略和迭代轮次。在多个多跳问答基准测试（如 HotpotQA、2WikiMultiHopQA）上…
出现于日报：03-18
- 2. AutoTool: Automatic Scaling of Tool-Use Capabilities in RL via Decoupled Entropy Constraints
AutoTool 解决了 RL 驱动的工具使用扩展中的两大核心挑战：模型对简单问题过度思考（token 浪费）和对复杂问题推理不足（搜索深度不够）。该方法引入解耦熵约束（Decoupled Entropy Constraints），在 RL 训练时分别约束简单与复杂任务的推理长度，配合热启动 SFT 使模型掌握工具调用的基本格式，再通过 RL 自动学习何时以及如何扩展工具调用深度…
出现于日报：03-18
- 3. Language Models Don't Know What You Want: Evaluating Personalization in Deep Research Needs Real Users · 📖 深度解读
当前 Deep Research 工具（如 OpenAI DR）能自动综合论文回答查询，但缺乏对用户个人研究兴趣的理解，导致生成的报告内容与用户实际需求脱节。本文提出 MyScholarQA（MySQA），一个个性化 Deep Research 工具，通过三步流程解决此问题：(1) 从用户历史行为中推断个人研究兴趣画像；(2) 基于画像为每个查询提出个性化检索动作；(3) 生成聚焦于用户关注维度的多节报告…
出现于日报：03-19
- 4. ToolTree: Efficient LLM Agent Tool Planning via Dual-Feedback Monte Carlo Tree Search and Bidirectional Pruning
针对 LLM Agent 工具规划中贪心式选择缺乏前瞻性、忽略工具间依赖关系的问题，提出 ToolTree——一种基于蒙特卡洛树搜索（MCTS）的新型工具规划范式。核心设计包括双阶段 LLM 评估机制和双向剪枝（执行前后均进行），使 Agent 在长程工具调用序列中做出更优决策。在 4 个开放/封闭工具规划基准上，ToolTree 在保持最高效率的同时持续提升性能。
出现于日报：03-17
- 5. TRUST-SQL: Tool-Integrated Multi-Turn Reinforcement Learning for Text-to-SQL over Unknown Schemas · 📖 深度解读
本文提出 TRUST-SQL，针对真实企业场景中数据库包含数百张表、元数据噪声大的 Unknown Schema 问题。将 Text-to-SQL 建模为 POMDP，agent 通过四阶段协议（schema 探索、验证、SQL 生成、执行检查）主动发现和验证相关 schema 子集。提出 Dual-Track GRPO 策略，通过 token 级 masked advantages 将探索奖励与执行结果解耦，解决信用分配问题…
出现于日报：03-20
- 6. Spend Less, Reason Better: Budget-Aware Value Tree Search for LLM Agents
针对 LLM Agent 测试时计算（test-time scaling）中计算资源浪费问题，提出 Budget-Aware Value Tree（BAVT）——一种免训练的推理时框架。将多跳推理建模为动态搜索树，结合步级价值估计；核心创新是预算条件化节点选择机制，利用剩余资源比率作为自然缩放指数，在预算耗尽时从广泛探索无参数地平滑过渡到贪心利用。通过引入外部验证器对抗 LLM 自评估的过度自信。
出现于日报：03-17
- 7. Structured Distillation for Personalized Agent Memory: 11x Token Reduction with Retrieval Preservation
研究个性化 Agent 记忆压缩问题：将用户与 Agent 的对话历史蒸馏为紧凑的检索层。每条交互压缩为包含 exchange_core、specific_context、thematic room_assignments 和 files_touched 四个字段的结构化对象，平均仅 38 tokens。在 6 个软件工程项目的 4,182 次对话（14,340 条交互）上，实现 11 倍压缩（371→38 tokens）…
出现于日报：03-17
- 8. Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization
针对 LLM 多 Agent 系统部署中推理成本高、延迟大、透明度低的问题，提出 AMRO-S——基于蚁群优化（ACO）的多 Agent 语义路由框架。将 MAS 路由建模为语义条件化路径选择问题，通过三个关键机制提升性能：监督式语义路由层、基于信息素的动态负载均衡、以及可解释的路由决策追踪。在混合意图和动态负载场景下实现更稳定的性能和更高效的资源利用。
出现于日报：03-17
- 9. PaperScout: An Autonomous Agent for Academic Paper Search with Process-Aware Sequence-Level Policy Optimization
PaperScout 将学术论文搜索重构为序列决策过程，agent 根据已积累的检索上下文动态决定何时、如何调用搜索和扩展工具。提出 Proximal Sequence Policy Optimization (PSPO)，一种过程感知的序列级策略优化方法，解决了标准 RL 在多轮 agent 任务中 token 级优化与序列级交互的粒度不匹配问题，在多个学术搜索基准上显著优于静态工作流。
出现于日报：03-20
- 10. OpenClaw-RL: Train Any Agent Simply by Talking
OpenClaw-RL 提出了一个统一的 Agent RL 训练框架，其核心观察是：任何 agent 交互都会产生「下一状态信号」（对话回复、工具输出、GUI 状态变化等），这是一种通用的在线 RL 训练信号，但现有系统从未将其系统性利用。该框架允许从对话、终端执行、GUI 操作和代码执行等多种交互中同步学习策略。在 SWE-bench、对话型 agent 和 GUI 操作等任务上均取得了优于现有专用方法的表现…
出现于日报：03-18