- 1. APEX-EM: Non-Parametric Online Learning for Autonomous Agents via Structured Procedural-Episodic Experience Replay
APEX-EM 用类型化过程知识图保存完整成功与失败轨迹，并结合语义检索、操作序列结构签名和图遍历复用经验，无需在线改权重。相同 GPT-4o 骨干下，BigCodeBench 提升 7.6 个百分点；KGQAGen-10k 盲测由 42.0% 升至 73.7%。
出现于日报：09-03
- 2. Hybrid Deep Searcher: Scalable Parallel and Sequential Search Reasoning
针对深度研究中单查询串行搜索覆盖不足、纯并行查询又缺少纵深推理的问题，论文提出 HybridDeepSearcher，动态组合并行分解与顺序检索，并用 HDS-QA 提供“推理—查询—检索”轨迹监督。在五个基准上均超过现有方法，FanOutQA 的 F1 提升 15.9 分，BrowseComp 子集提升 11.5 分。
出现于日报：08-31
- 3. SilentProbe: Measuring Silent Failure in Production APIs Used as Agent Tools
SilentProbe 审计 2501 份 OpenAPI 文档的 721320 个参数，并对 27 家供应商执行 219 次扰动，揭示 HTTP 200 下的静默失败。仅写在描述中的约束有 44/61 次静默失败；Agent 只识别 12%，修复率为 0%，而把枚举写入 schema 后失败从 88/88 降为 0/89。
出现于日报：09-03
- 4. Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering
论文把多跳问答中的关键瓶颈定义为“可检索粒度发现”，由证据判定器决定当前查询是否已获支持，未解决节点再通过保持依赖关系的二叉算子细分。Hi-Q 在三个全语料多跳基准平均达到 52.3 EM、64.0 F1，较 IRCoT 分别提升 15.1 和 18.2 分。
出现于日报：09-02
- 5. ASTRA - Agentic System for Ticket Resolution and Analysis
ASTRA 以中央编排器协调历史工单、海量日志和领域知识三个专职 Agent，再用 Judge–Orchestrator 循环把低分项转成定向补检索。系统在 987 个真实电信故障工单上获得 4.13/5 平均质量分，59.9% 的报告定位到组件族或更细粒度，虚构技术细节低于错误案例的 3%。
出现于日报：09-02
- 6. PaperGym: Rubric-Centered Evolution for Research-Plan Generation
PaperGym 把论文的研究目标与背景转成问题，把方法和实验转成独立评分准则，从而构造 2 万条可训练的研究规划环境，准则泄漏率仅 3.7%，而既有数据为 11.90%–34.10%。OPSD 自教师后接 GRPO，使 Qwen3-1.7B/4B/8B 的五基准均值分别提升 5.6、5.0、4.8 分。
出现于日报：09-02
- 7. KGVoyager: Knowledge Graph Agnostic Question Answering via Agentic Navigation
论文面向缺少本体和文本—SPARQL 样本的领域知识图谱问答，提出 KGVoyager，以思考—行动—观察循环动态发现图结构、映射 IRI，并依据执行反馈修正查询。它只需轻量类别索引，在四个基准上把 F1 提高约 8 个点，同时将成本和运行时间各降低约 22%。
出现于日报：09-04
- 8. CAST: Critique-Aware Supervision for Training Reliable Long-Horizon Tool-Calling Agents
CAST 将稀疏任务结果转化为动作级批判监督：分析长轨迹，在部分可观测条件下生成动作有效性的结构化理由，再用批判模型构造策略训练数据。微调 Qwen3 系列后，Retail 任务的 pass^4 超过 GPT-OSS-120B 逾 10%，并在域外 Telehealth 场景再提升 9%。
出现于日报：09-02
- 9. Learning to Evaluate Before Improving: Automatic Rubric Induction for Automatic Research Agents
AutoSciRub 在执行研究前先把模糊指令分解为原子科学目标，并结合文献与可见数据生成可执行 rubric，用于过程指导、逐项验证和定向修订。在 ResearchClawBench 上，不同模型与 harness 平均提升 2.08 和 2.95 分；AstaBench 随机 20 题上平均提升 16.8 分。
出现于日报：09-02
- 10. Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills
论文指出端到端科研 Agent 缺少可复用的操作知识，提出 DisCo，把 GitHub 仓库和论文中的实现经验压缩为紧凑、可验证的技能。系统同时支持面向领域的任务无关蒸馏与针对具体任务的定向蒸馏，使规划、执行、记忆和验证环节不必在每次运行中重新发现工程做法。
出现于日报：09-04