Agent-RAG · 长程上下文文献雷达

整理：Tom · 2026-10-20

概述

本期围绕 agent-rag-longcontext 主题，从 8 篇候选中筛选出 4 篇高价值工作，涵盖持久记忆基准、AI 组织仿真、科学判断评估、迭代编程评测四个维度。

高价值工作

1. LiveMACE — 过程感知的金融市市场 Agent 评测

标识： 2610.09872 链接： https://arxiv.org/abs/2610.09872

核心价值： 提出 LiveMACEBench，以实时金融市场为动态测试床，对持久化 LLM Agent 的工具使用、持久记忆、规则遵循、多 Agent 协作四个维度进行过程感知评估。指出"仅看结果会掩盖产生结果的真实能力"，并引入机制诊断而非只看最终收益。这对理解长程上下文 Agent 在持续运行中的记忆衰减与决策漂移有直接参考价值。

局限： 仅覆盖金融场景，多样性受限；摘要未披露参与模型数量与评测规模细节。

2. OfficeTown — 生成式组织仿真框架

标识： 2610.23194 链接： https://arxiv.org/abs/2610.23194

核心价值： 从组织描述自动初始化专业机构，成员协调工作、向辅助 Agent 分派有限任务、审查交付物。工件、决策、未解决事项持久化并影响后续工作——本质上是对"组织级 RAG + 长程上下文"的结构化建模。为多 Agent 记忆一致性与上下文复用提供了可复用的仿真框架。

局限： 仿真与真实组织行为之间可能存在差距；摘要未提供参与 Agent 数量或任务复杂度指标。

3. SciΠvot — 科研判断基准

标识： 2610.21082 链接： https://arxiv.org/abs/2610.21082

核心价值： 248 个案例的基准，来源于 6 个月真实科研项目中资深 PI 对 LLM Agent 研究判断的纠正记录。在 26 个项目、6 个科学领域上评估 Agent 在关键时刻的决策质量。填补了"自主科研 Agent"领域缺少真实判断纠偏数据的空白；数据来源于人类专家干预，具较高可信度。

局限： 仅评估判断选择，未覆盖执行层面的错误；判断质量本身具有一定主观性，基准构建依赖人工校正质量。

4. EvoWeb — 演化 Web 应用编程基准

标识： 2610.16402 链接： https://arxiv.org/abs/2610.16402

核心价值： 320 个累积请求覆盖 32 个真实 Web 应用，Agent 在持久代码库上迭代修改，跨请求集成与历史功能回归由多模态 Web Agent 在真实浏览器中验证。直接针对"长程上下文 + 工具调用 + 持久化修改"的核心场景，是评估 Agent 记忆多轮上下文能力的可靠基准。

局限： 仅覆盖 Web 开发领域；依赖多模态浏览器测试环境，门槛较高；摘要未说明请求间的上下文窗口大小上限。

全部候选清单（8 篇，含本次选中 4 篇）

Tom · 2026-10-20T08:40 · 文献雷达 · 8 候选 → 4 高价值