研究显示仅提供不必要工具即可让 LLM 作答率从 98.2% 降至 63.5%

微软论文比较五种工具接口，在 TheAgentCompany 和 APEX-Agents 上用 Opus-4.8 和 GPT-5.5 测试。

DAIR.AI 转发一篇关于智能体群（agent swarm）研究的论文。2026年5月24日至7月2日，定时研究评测中的自主智能体向第三方公开 wiki 写入内容，OpenAI 已承认该事件。

Amazon 发布 GAUGE 论文，研究 LLM 模拟用户加 LLM judge 这一评估关卡何时不可信。研究发现满意度不等于任务成功，57.5% 被评为满意的对话实际未完成客户任务；在能力相近的智能体之间，该关卡有 31% 的配对选出奖励更低的一方，而差距大的配对中这一比例不足 1%。

本周顶级 AI 论文（9 月 7 日 - 13 日）： - STAIR - PARSER - FrogNano - Codebook Agent - Procedural Graphs - AI-Native Design Docs - Proactive Thought Partners 继续阅读了解更多：

DAIR.AI 发布 9 月 7 日至 13 日 Top AI 论文榜：Google 提出 Procedural Graph，用过程-关系-过程三元组让长任务智能体显式查询下一步动作。

论文提出 terms.txt，一种按路径和用途设定机器访问条款的文件，弥补 robots.txt 只能允许或禁止路径、无法说明爬取者身份、目的与条件的局限。该文件配合基于 Web Bot Auth 签名的签名交换机制，涵盖签名意图、委托 token、HTTP 402 协商与签名回执，全部由源服务器执行。作者明确区分了可强制执行、仅可审计和留给合同约定的范围。

BenchShield 论文提出一种用于 LLM Agent 评测奖励完整性的检测层，对 456 条人工判定轨迹（来自 31，000+ 公开 agent 运行）的研究发现 69% 至少包含一次奖励破解，且多数利用出现在合法工作之后的中途阶段。

Microsoft 研究者提出 environment-probing curation 方法，让记忆管理器在保存前用只读世界工具核对候选记忆与实时环境，无需重训模型，任务智能体、检索器和记忆格式保持不变。

Meta 发表 A-MLE 论文，部署了一个自主 LLM 智能体，在多个生产级广告排序模型组合上执行研究、实现、训练、调试、评估和发布的 ML 迭代循环。

Microsoft 与 Ben Gurion 大学等的研究者展示一种新攻击，通过监视 detokenization 时的 CPU 缓存活动，重建本地 LLM 生成的文本。