- 1. When Retrieval Metrics Mislead: Measuring Policy Signal in Long-Horizon Tool-Use Agents · 📖 深度解读
论文质疑“检索召回率(exact-match recall)能代表检索内容对下游决策是否有用”这一常见假设。作者在 tau-bench 上用 Qwen2.5-3B/7B 做 action 前的策略分类：在金标准策略条件下，把原始轨迹换成紧凑的结构化状态后 macro-F1 提升 0.13–0.17；但当用检索 rank-1 的条款替换基准指定策略条款时，即便正确条款被检索到 rank-1，下游分类性能仍未对应提升…
出现于日报：06-25
- 2. Decoupling Search from Reasoning: A Vendor-Agnostic Grounding Architecture for LLM Agents · 📖 深度解读
生产环境的 LLM agent 依赖实时检索，但厂商原生的 search grounding 把检索策略、provider 选择、证据注入、成本、延迟和生成行为全部耦合在模型边界内，难以检查、调优、复用与迁移，还会触发 Search-Induced Verbosity 破坏输出格式约束。论文提出 DSG（Decoupled Search Grounding），用 MCP 兼容网关把 grounding 移出推理模型…
出现于日报：06-23
- 3. EvoEmbedding: Evolvable Representations for Long-Context Retrieval and Agentic Memory
针对现有 embedding 模型孤立编码每段文本、忽略上下文与时序的问题，提出 EvoEmbedding：在顺序处理输入时维护一个持续更新的 latent memory，将其与原文一起生成可演化（evolvable）的向量表示，使同一 query 能根据演化中的上下文检索到不同目标。作者构建 EvoTrain-180K 联合优化 latent memory 与检索…
出现于日报：06-24
- 4. CacheWeaver: Cache-Aware Evidence Ordering for Efficient Grounded RAG Inference
RAG 提升事实性的同时拉长 prompt、抬高 prefill 成本，而 vLLM 等引擎的 prefix caching 只在请求共享相同 token 前缀时才省钱。问题在于相邻 query 检索到的证据集合常有重叠但顺序不同，集合重叠无法转化为可复用的前缀重叠。CacheWeaver 是一个轻量的 prompt 层方法：维护一棵近期已服务证据序列的前缀树，用贪心游走把最可复用的前缀排在最前…
出现于日报：06-23
- 5. Configurable Clinical Information Extraction with Agentic RAG: What Works, What Breaks, and Why · 📖 深度解读
论文部署 ACIE（Agentic Clinical Information Extraction），一套在德国 University Medicine Essen 本地落地的 agentic RAG 系统，针对患者上下文跨数百份异构文档、文档级元数据缺失的场景。标准 RAG 在时间推理、跨文档依赖、元数据缺失上失效；ACIE 让 agent 在完整患者上下文上推理，并把每个答案锚定到来源段落供医生核验…
出现于日报：06-22
- 6. DailyReport: An Open-ended Benchmark for Evaluating Search Agents on Daily Search Tasks
现有 search agent 评测多聚焦真实用户不会遇到的专门任务，且用粗粒度的 task 级 rubric 导致评测可解释性差。DailyReport 提出面向「日常搜索任务」的开放式 benchmark：150 个开放任务、3546 条关联 rubric，覆盖真实用户高频且有时效性的信息需求。每个任务拆成子任务，用级联（cascade）rubric 在解耦的维度上打分，再通过级联归因与用户中心聚合…
出现于日报：06-24
- 7. OpenThoughts-Agent: Data Recipes for Agentic Models
针对“如何为通用 agent 模型构造训练数据”这一公开度极低的问题，OpenThoughts-Agent(OT-Agent) 给出了一套完全开源的数据筛选管线，并做了 100+ 组受控消融，系统研究 agent 数据各环节（任务来源、轨迹生成、过滤、配比）的影响。区别于 SWE-Smith、SERA、Nemotron-Terminal 等只针对单一 benchmark 的工作…
出现于日报：06-25
- 8. Uncertainty Decomposition for Clarification Seeking in LLM Agents
交互式 LLM agent 需要在任务描述模糊时主动追问澄清，但经典的 aleatoric/epistemic 不确定性框架不够用，且黑盒 API、交互延迟预算、缺少标注轨迹排除了基于 logprob、多次采样或训练的方法。论文提出一个简单的 prompt-based 分解：把 action confidence 与 request uncertainty 分开，让 agent 在任务欠定时发起澄清…
出现于日报：06-23
- 9. PlanBench-XL: Evaluating Long-Horizon Planning of LLM Tool-Use Agents in Large-Scale Tool Ecosystems
现有 agent benchmark 很少在「工具可见性受限」下评测规划能力。PlanBench-XL 构造了 327 个零售任务、1665 个工具的交互式 benchmark，要求 agent 迭代式检索可用工具、调用它们以获得中间证据再服务后续调用，直到完成最终目标；并加入可选的 blocking 机制（工具缺失、失败或干扰）模拟真实环境的不确定性，迫使 agent 在运行时识别被打断的路径并自适应…
出现于日报：06-24
- 10. REVES: REvision and VErification--Augmented Training for Test-Time Scaling
REVES 提出“修订+验证”增强的训练框架用于 test-time scaling。标准后训练只优化单次目标，与多步推理动态不匹配；已有多轮 RL 直接在多步轨迹上优化，浪费了中间步里“差一点对”（near-miss）的可学信号。REVES 两阶段交替：在线数据/prompt 增强 + 策略优化，把成功恢复轨迹里的中间步拆成解耦的修订 prompt 与验证 prompt…
出现于日报：06-22