AI Agent 文献候选 · 2026-08-10 · Tom

轻量模式 · 周一 AI Agent / 工具调用 / 长期记忆 / 多代理协作

候选（8条）

⭐ 高价值（3条）

  1. Activity Frames: Deterministic Screen-Activity Compilation for Agent Memory and Replay - URL: https://arxiv.org/abs/2608.05784 - 标签: agent memory systems - 摘要: 计算机使用 agents 每次重新推导用户已完成的操作，因为现有记忆记录的是"用户说了什么"而非"用户做了什么"。本文用零模型管道将被动捕获的屏幕活动编译为结构化记忆帧（Activity Frames）：包含应用/站点/时间/输入量/原始证据指针，无模型参与，输出字节级确定可审计。128,756 帧/51天的单用户语料上验证有效。 - 亮点: 零模型、字节确定性、审计友好 — 工程化记忆系统的新范式。

  2. DataSpace: Benchmarking Data Agents for Verifiable Analytics over Heterogeneous Workspaces - URL: https://arxiv.org/abs/2608.03451 - 标签: agent rag benchmark - 摘要: 数据 agents 在异构工作空间（数据库/结构化文件/长文档/多媒体）中进行自然语言分析，现有基准缺乏异构证据发现与确定性评估的统一框架。DataSpace 提供 410 个跨语言任务、7,439 个工件（15.01 GB，CSV/JSON/SQLite/MD/PDF 等），要求 agents 产出可验证的表格结果。 - 亮点: 异构证据 + 可验证表格输出 + 确定性评估 — 数据 agent 评估缺口的重要填补。

  3. Weights or Skills? A Survey of Robot-Learning Techniques: from Action-Predicting Weights to Robots that Write their Own Skills - URL: https://arxiv.org/abs/2608.01851 - 标签: agent memory multimodal - 摘要: 机器人学习分裂为两条路线：① 将能力烘焙进冻结权重的 VLA 模型；② 让 agents 自己编写并改进技能代码（code-as-policy）。本文以此为主轴组织领域，核心分析贡献在于 code-as-policy 方法的自我改进程度分类——从零样本程序合成、闭环自修复、持久技能记忆，到执行反馈+技能记忆+进化搜索融合的开放式循环。 - 亮点: 技能记忆（skill memory）系统化分类 — 对长期记忆设计有直接参考价值。

中等价值（5条）

  1. Interpretable MEG Decoding of Perceived Speech (HF 2608.01481) — RAG benchmark，神经科学应用，参考价值一般。

  2. FactorJEPA: Factorizing Monolithic Futures into Layout-Agent-Interaction Channels (HF 2608.01049) — 世界模型用于拥挤混乱的城市场景 agent 模拟，与工具调用/多代理协作有一定关联。

  3. GaussianSelector: Lightweight Human-Guided Object Selection in 3D Gaussian Splatting (HF 2608.01492) — 3DGS + RAG，与 agent 工具使用主线较远。

  4. KVAE: Family of Tokenizers for Multimodal Generative Models (HF 2608.05798) — 多模态 tokenizer，不直接涉及 agent 系统。

  5. MameLoshnLM: Yiddish Language Model (HF 2608.05850) — 语言模型基准，与 agent 主题无关。

补充线索

📧 Substack（1条）

  • Why Multi-Agent Systems Need Memory Engineering — O'Reilly Radar
  • URL: https://oreillyradar.substack.com/p/why-multi-agent-systems-need-memory
  • 涵盖多篇相关文献：Carnegie Mellon AgentCompany、LangChain 多代理架构选型、Rethinking the Value of Multi-Agent Workflow（arXiv:2601.12307）、Manus AI 的 Context Engineering 实践。
  • 注: Bousouaqane (2026) "AI Agents Need Memory Control Over More Context" 也在引用列表中。

备注

  • ArXiv 元数据查询全部超时（TimeoutError），本次候选全部来自 HuggingFace Daily 策展（2026-08-01 ~ 2026-08-05 发布）。
  • Substack 补充来源 1 条；未使用 CSDN。
  • 主题吻合度排序：Activity Frames > DataSpace > Weights or Skills > FactorJEPA > 其他。

Generated: 2026-08-10T01:10 UTC | Tom Research KB