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。

2022–2026 LLM Agent 研究重心变化

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

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

  1. 01

    Aug 29, 2026 约 13 分钟

    SayCan 精读:让机器人既“会说”,又“做得到”

    用机器人技能的可供性价值约束 LLM 的高层计划,使语言上合理的动作也必须在当前环境可执行。

  2. 02

    Aug 29, 2026 约 15 分钟

    MRKL Systems:把大模型变成“会找工具的总调度”

    早期清楚提出由 LLM 路由外部知识源和离散推理模块的模块化架构;概念影响强但实验证据较弱。

  3. 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。

  4. 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。

  5. 05

    Aug 29, 2026 约 15 分钟

    《Code as Policies》中文精读

    让 LLM 递归生成调用感知与控制 API 的程序,把语言规划落实为可执行机器人策略。

  6. 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。

  7. 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。

  8. 08

    Aug 29, 2026 约 13 分钟

    Reflexion 精读:不改权重,把失败写成下次能用的经验

    把任务反馈概括成语言反思并存入情节记忆,不更新模型权重也能影响后续试次。

  9. 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. 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. 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. 12

    Aug 29, 2026 约 14 分钟

    《WebArena:用于构建自主智能体的真实网页环境》中文精读

    提供可复现的全功能网站与执行式功能正确性评测,成为网页 agent 的关键现实环境。

  13. 13

    Aug 29, 2026 约 14 分钟

    《AgentBench:将大语言模型作为智能体进行评估》中文精读

    在八类交互环境中统一比较 LLM-as-agent,并定位长程推理、决策和指令遵循失败。

  14. 14

    Aug 29, 2026 约 13 分钟

    《OSWorld:在真实计算机环境中评测开放式多模态智能体》中文精读

    在真实桌面操作系统和应用中执行开放任务,用脚本和状态检查揭示当时人机巨大差距。

  15. 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. 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. 17

    Aug 29, 2026 约 13 分钟

    AgentDojo 精读:当工具返回也能对 agent 下命令

    在动态工具环境中同时测正常效用与间接提示注入,给出可执行的 agent 安全比较。

  18. 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. 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. 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. 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. 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. 23

    Aug 29, 2026 约 15 分钟

    《为什么多智能体大语言模型系统会失败?》中文精读

    从七个框架的 1,600 多条轨迹归纳 14 类多智能体失败,把‘为何失败’变成可复核的分析对象。

  24. 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. 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. 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. 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. 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. 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. 30

    Aug 29, 2026 约 13 分钟

    GenericAgent:把有限上下文当作信息预算,而不是无底洞

    把有限上下文问题表述为决策相关信息密度最大化,并联合层级记忆、压缩和 SOP/代码演化。

  31. 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. 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。