专题
LLM Agent 论文精读:2022–2026
按首次公开时间精读 32 篇核心论文,从行动与工具、反思与记忆、多智能体,到真实环境、可靠性、安全和自改进。
共 32 篇,按顺序阅读。
这套专题收录截至 2026-08-29 的 32 篇 LLM Agent 核心论文:2022 年 6 篇、2023 年 7 篇、2024 年 7 篇、2025 年 7 篇、2026 年 5 篇。年份按首次公开的完整版本计算,排序不是性能榜,而是一条研究问题如何演化的时间线。
图 1|研究问题的演化,而非性能排行榜。 2022 年先把语言推理接到动作、工具和环境反馈;2023 年加入反思、长期记忆、多智能体与更真实的网页环境;2024 年进入桌面、软件、API、安全和科研;2025–2026 年继续追问长程可靠性、自修改、有限上下文、噪声与适应性攻击。
怎么读
- 按历史顺序建立全景:从 SayCan 读到 AgentGym2,观察“能行动”怎样逐步变成“能可靠行动”。
- 控制循环与工具线:MRKL → ReAct → Toolformer → SWE-agent。
- 记忆、自改进与多智能体线:Reflexion → Generative Agents → A-MEM → MAST → ACE。
- 现实评测与安全线:WebArena → OSWorld → τ-bench → AgentDojo → AgentLAB。
每篇都回答什么
每篇都围绕同一组问题展开:论文要解决什么失败;此前路线如何处理;新方法的输入、状态、决策、动作和反馈怎样闭环;公式中每个符号是什么意思;实验究竟支持到哪里;优点、局限、可证伪预测和最小复现路线分别是什么。正文会明确区分论文事实、跨论文解释与我们的判断。
证据与下载边界
每篇开头都链接对应的 arXiv 摘要页、核验 PDF 和 TeX 源码包。正文中的 source/...:Lx–Ly 是解压 arXiv 源码包后的精确坐标;PDF 页码对应文首链接的版本。为控制仓库体积并尊重原论文分发方式,博客只托管中文讲解和原创机制图,不镜像论文 PDF 或 TeX。
篇目
-
01
-
02
-
03
Aug 29, 2026 约 13 分钟WebShop 精读:把“帮我买到合适的东西”变成可训练的 agent 问题
较早提供大规模、可交互、以目标完成度计分的真实风格网页购物环境,并暴露长程网页决策差距。
-
04
Aug 29, 2026 约 14 分钟《Inner Monologue: Embodied Reasoning through Planning with Language Models》中文精读
把成功检测、场景描述和人类反馈写回语言上下文,明确展示闭环反馈如何修正具身计划。
-
05
-
06
Aug 29, 2026 约 14 分钟《ReAct: Synergizing Reasoning and Acting in Language Models》中文精读
把自然语言推理轨迹与环境动作交替生成,形成后来最常见的 agent 控制循环。
-
07
Aug 29, 2026 约 14 分钟《Toolformer: Language Models Can Teach Themselves to Use Tools》中文精读
用自监督筛选学习何时调用 API、传什么参数以及怎样吸收返回值,是工具学习的重要基础机制;完整自治性较弱。
-
08
-
09
Aug 29, 2026 约 13 分钟《CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society》中文精读
用角色扮演与 inception prompting 研究两个语言智能体的自主合作,是早期多智能体代表。
-
10
Aug 29, 2026 约 13 分钟《Generative Agents: Interactive Simulacra of Human Behavior》中文精读
以记忆流、检索、反思和规划构成完整架构,并在 25 个角色的社会模拟中做组件消融。
-
11
Aug 29, 2026 约 13 分钟Voyager 精读:让 Minecraft agent 自己选课、练技能、存代码
把自动课程、可执行技能库和环境反馈迭代组合成开放式 Minecraft 终身学习 agent。
-
12
-
13
-
14
-
15
Aug 29, 2026 约 13 分钟《SWE-agent:Agent–Computer Interface 推动自动化软件工程》中文精读
把 Agent–Computer Interface 作为可控研究变量,证明接口设计会显著改变软件修复能力。
-
16
Aug 29, 2026 约 13 分钟τ-bench 精读:不只问 agent “会不会做”,还问“每次都能做对吗”
同时模拟用户、领域政策和数据库终态,并用 pass^k 衡量重复执行的可靠性。
-
17
-
18
Aug 29, 2026 约 14 分钟AppWorld 精读:让 agent 在可重置的数字世界里写代码办事
构造可控日常应用世界,并以状态单测同时检查目标完成和非预期副作用;获 ACL 最佳资源论文。
-
19
Aug 29, 2026 约 13 分钟《The AI Scientist:走完科研流水线,不等于证明了科学发现》中文精读
首次把选题、编码、实验、画图、写作和自动评审串成公开的端到端科研闭环;科学有效性边界必须严写。
-
20
Aug 29, 2026 约 14 分钟《Magentic-One:用双账本让专用代理在停滞时重规划》中文精读
由 Orchestrator 维护计划、进度和重规划,再调度网页、文件与 Python 专家,是通用多智能体系统代表。
-
21
Aug 29, 2026 约 13 分钟A-MEM 精读:让 agent 的记忆从“一堆相似片段”变成会链接、会改写的笔记网
让记忆条目自动建立索引、链接并随新信息演化,检验结构化长期记忆相对静态检索的增益。
-
22
Aug 29, 2026 约 13 分钟《SWE-Lancer:前沿大模型能从真实自由职业软件工程中赚到 100 万美元吗?》中文精读
用 1,400 多个真实自由职业软件任务和实际报价检验 agent 的经济可用性,而非只测合成修复题。
-
23
-
24
Aug 29, 2026 约 13 分钟《PaperBench: Evaluating AI’s Ability to Replicate AI Research》中文精读
要求从零复现 20 篇 AI 研究论文,并把结果拆成 8,316 个可评分要求,直接测科研复现能力。
-
25
Aug 29, 2026 约 13 分钟《BrowseComp: A Simple Yet Challenging Benchmark for Browsing Agents》中文精读
用 1,266 个答案客观但需要长程、多站点搜索的问题,隔离浏览 agent 的持续检索能力。
-
26
Aug 29, 2026 约 13 分钟《Darwin Gödel Machine:开放式演化的自改进智能体》中文精读
让 agent 修改自身代码并以可执行基准选择后代,用开放式 archive 研究可审计的自改进。
-
27
Aug 29, 2026 约 13 分钟《Agentic Context Engineering:为自改进语言模型演化上下文》中文精读
把上下文作为可累积的 playbook,通过生成、反思和整理持续演化,直接针对 brevity bias 与 context collapse。
-
28
Aug 29, 2026 约 13 分钟AgentLAB Security 精读:安全失守不是一句话,而是一条被逐步改写的轨迹
把安全评测从单轮注入推进到跨多步自适应攻击,检验局部防御在长程任务中的失效。
-
29
Aug 29, 2026 约 13 分钟General AgentBench 精读:工具更多之后,“算得更久”为何不一定做得更好
在统一环境跨搜索、编码、推理与工具使用研究时序/并行 test-time scaling,并定位上下文上限与验证缺口。
-
30
-
31
Aug 29, 2026 约 13 分钟GroupMemBench:群聊记忆难在“谁在何时对谁说了什么”
把长期记忆扩展到多方对话中的说话者信念、群体互动和受众适配,并显示复杂记忆系统未必胜过简单检索。
-
32
Aug 29, 2026 约 13 分钟AgentGym2 精读:把现实世界藏在基准里的“脏活”还给 agent
移除预打包工具和干净输入假设,测探索新工具、未见组合、噪声与欠指定请求下的端到端执行。