收集与当前任务的状态、行动依赖、工具执行、图规划、反馈恢复及评测相关的材料。与 Agent Memory × RSI 并行维护;交叉论文只解释当前 episode 的相关部分。
所有已登记来源都有本地阅读页。论文、博客与社区材料承担不同证据角色;“正文重点阅读”表示阅读了与本方向相关的主要章节,不表示实验复现或全文审计。
来源表
| ID | 类型 | 标题 | 发布方/作者 | 日期 | 链接 | 证据角色 | 核验状态 | 备注 |
|---|---|---|---|---|---|---|---|---|
| S01 | 综述 | A Survey on Large Language Model based Autonomous Agents | Wang et al. / arXiv | 2023-08-22 | https://arxiv.org/abs/2308.11432 | Agent 环境、规划、工具和评测的术语边界 | 元数据与摘要核验 | 只用于定义相邻领域,不作为新任务效果证据 |
| S02 | 论文 | ReAct: Synergizing Reasoning and Acting in Language Models | Yao et al. / arXiv | 2022-10-06 | https://arxiv.org/abs/2210.03629 | 推理与行动交错、环境反馈进入控制循环 | 元数据与摘要核验 | 代表反馈驱动的动作链 |
| S03 | 论文 | Do As I Can, Not As I Say: Grounding Language in Robotic Affordances | Ahn et al. / arXiv | 2022-04-04 | https://arxiv.org/abs/2204.01691 | 语言计划与工具/技能可行性绑定 | 元数据与摘要核验 | 关注 affordance,不等同于计划图 |
| S04 | 论文 | LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models | Song et al. / arXiv | 2022-12-08 | https://arxiv.org/abs/2212.04088 | 子任务规划、动作执行和环境 grounding | 元数据与摘要核验 | 作为动作分解与执行先行工作 |
| S05 | 论文 | Graph of Thoughts: Solving Elaborate Problems with Large Language Models | Besta et al. / arXiv | 2023-08-18 | https://arxiv.org/abs/2308.09687 | 将思维单元组织为可合并、可回溯的图 | 元数据与摘要核验 | 计划图的表示启发;任务不等同于环境控制 |
| S06 | 论文 | Can Graph Learning Improve Planning in LLM-based Agents? | Wu et al. / arXiv | 2024-05-29 | https://arxiv.org/abs/2405.19119 | 子任务依赖图和图学习规划 | 正文重点阅读 | 与本库的图规划问题最接近的方向之一 |
| S07 | 论文/基准 | AgentBench: Evaluating LLMs as Agents | Liu et al. / arXiv | 2023-08-07 | https://arxiv.org/abs/2308.03688 | 多环境交互评测、动作和任务成功 | 元数据与摘要核验 | 用于评测维度,不默认提供图标注 |
| S08 | 论文/基准 | ScienceWorld: Is your Agent Smarter than a 5th Grader? | Wang et al. / arXiv | 2022-03-14 | https://arxiv.org/abs/2203.07540 | 可交互科学实验、状态变化和新情境推理 | 元数据与摘要核验 | 可测前置条件与动作后果 |
| S09 | 论文/基准 | WebArena: A Realistic Web Environment for Building Autonomous Agents | Zhou et al. / arXiv | 2023-07-25 | https://arxiv.org/abs/2307.13854 | 可复现网页环境、长链任务和程序化检查 | 元数据与摘要核验 | 适合工具、状态和 OOD 任务拆分 |
| S10 | 论文/基准 | AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents | Harsh Trivedi et al. / ACL 2024 | 2024-07-26 | https://arxiv.org/abs/2407.18901 | 多应用 API、状态副作用和可执行 evaluator | 元数据与摘要核验 | 计划图与局部修复的首选环境候选 |
| S11 | 论文/基准 | InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback | Yang et al. / arXiv | 2023-06-26 | https://arxiv.org/abs/2306.14898 | 执行反馈、代码状态和交互式修复 | 元数据与摘要核验 | 适合研究反馈到计划的闭环 |
| S12 | 官方博客 | Building effective AI agents | Anthropic Engineering | 2024-12-19 | https://www.anthropic.com/research/building-effective-agents | workflow、Agent、工具接口和检查点的工程经验 | 文章正文阅读 | 工程文章,不支持学术效果结论 |
| S13 | 研究者博客 | LLM Powered Autonomous Agents | Lilian Weng | 2023-06-23 | https://lilianweng.github.io/posts/2023-06-23-agent/ | 规划、工具使用和环境反馈的概念综述 | 文章正文阅读 | 用于术语和失败模式发现 |
| S14 | 官方文档 | LangGraph Graph API:状态、节点、边与消息传递 | LangChain | 持续更新 | https://docs.langchain.com/oss/python/langgraph/graph-api | 状态图、节点、边、检查点和控制流接口 | 现行文档正文阅读 | 只作为可编排实现线索 |
| S15 | 官方项目/社区 | AppWorld benchmark and simulator | Stony Brook NLP | 持续更新 | https://github.com/StonyBrookNLP/appworld | 任务、模拟器、工具 API 和 evaluator 复现线索 | README 正文阅读 | 固定 commit 和依赖后再做实验 |
| S16 | 官方项目/社区 | WebArena benchmark | WebArena-X | 持续更新 | https://github.com/web-arena-x/webarena | 网页环境、任务配置和启动流程 | README 正文阅读 | 代码状态不能替代论文证据 |
| S17 | 官方项目/社区 | ScienceWorld environment | Allen Institute for AI | 持续更新 | https://github.com/allenai/ScienceWorld | 科学实验环境、任务和状态接口 | README 正文阅读 | 作为跨环境验证线索 |
| S18 | 官方项目/社区 | BrowserGym: A Gym Environment for Web Tasks | ServiceNow | 持续更新 | https://github.com/ServiceNow/BrowserGym | 浏览器任务环境和可重放交互接口 | README 正文阅读 | 与 WebArena 作为环境对照 |
| S19 | 社区索引 | LLM Agent Survey repository | Paitesanshi et al. / GitHub | 持续更新 | https://github.com/Paitesanshi/LLM-Agent-Survey | 论文、环境和工具的更新线索 | README 索引阅读 | 发现来源,不替代一手核验 |
| S20 | 论文 | Bridging Tool Dependencies and Domain Knowledge: A Graph-Based Framework for In-Context Planning | Shengjie Liu, Li Dong, Zhenyu Zhang / arXiv | 2025-10-28 | https://arxiv.org/abs/2510.24690 | 工具 schema 依赖图与领域程序知识图融合,用于计划生成 | 元数据与摘要核验 | 直接涉及工具依赖图;不等同于当前 episode 的图修复任务 |
| S21 | 论文 | Repair the Core, Not the Symptom: Planning-Graph Repair for Long-Horizon Agents | Xinyuan Song, Zekun Cai / arXiv | 2026-07-02 | https://arxiv.org/abs/2607.01767 | 从失败轨迹定位并修复导致错误传播的紧凑计划图核心 | 正文重点阅读 | 与局部修复假设高度相关,需回查完整策略和评测 |
| S22 | 论文 | GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning | Jiaqi Wu et al. / arXiv | 2025-10-29 | https://arxiv.org/abs/2510.25320 | 依赖感知子任务图、并行/串行工具执行和强化学习 | 元数据与摘要核验 | 与并行分支和成本评测相关;不自动支持 OOD 泛化结论 |
| S23 | 论文 | An LLM Compiler for Parallel Function Calling | Sehoon Kim et al. / ICML 2024 | 2023-12-07 | https://arxiv.org/abs/2312.04511 | 依赖 DAG、流式规划、任务派发与并行工具执行 | 正文重点阅读 | 并行图调度已有直接实现;原始任务和成本口径须逐项比较 |
| S24 | 论文 | ReWOO: Decoupling Reasoning from Observations for Efficient Augmented Language Models | Binfeng Xu et al. / arXiv | 2023-05-23 | https://arxiv.org/abs/2305.18323 | 规划、执行与汇总解耦;用变量引用保留任务间依赖 | 正文重点阅读 | 主要为 NLP/问答任务;只迁移数据流机制 |
| S25 | 论文 | ADaPT: As-Needed Decomposition and Planning with Language Models | Archiki Prasad et al. / Findings of NAACL 2024 | 2023-11-08 | https://arxiv.org/abs/2311.05772 | 执行失败后递归分解;TextCraft 组合任务与分解深度 | 正文重点阅读 | 不是依赖图局部修复,但动态恢复与按需展开已有先行方法 |
| S26 | 论文/基准 | Why Do Multi-Agent LLM Systems Fail? | Mert Cemri et al. / arXiv | 2025-03-17 | https://arxiv.org/abs/2503.13657 | MAST 失败分类与多 Agent 轨迹数据 | 正文重点阅读 | 观察性失败分类不等于某种修复机制已建立因果效果 |
| S27 | 论文/基准 | τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains | Shunyu Yao et al. / arXiv | 2024-06-17 | https://arxiv.org/abs/2406.12045 | 用户、工具、领域政策与终态一致性;重复试验可靠性 | 正文重点阅读 | pass^k 与 pass@k 不同;用户模拟和终态评价仍各有局限 |
| S28 | 论文/基准 | τ²-bench: Evaluating Conversational Agents in a Dual-Control Environment | Victor Barres et al. / arXiv | 2025-06-09 | https://arxiv.org/abs/2506.07982 | 双主体共同改变环境;组合任务生成与沟通/推理分离 | 正文重点阅读 | Dec-POMDP 是该论文任务形式化,不自动成为本库控制器的模型 |
| S29 | 论文/基准 | PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change | Karthik Valmeekam et al. / NeurIPS 2023 Datasets and Benchmarks | 2022-06-21 | https://arxiv.org/abs/2206.10498 | 形式化动作、计划验证、变化推理与词汇表面变化 | 正文重点阅读 | 形式化规划结果不能替代真实 API 环境中的观测与恢复 |
| S30 | 论文/基准 | WorkArena: How Capable Are Web Agents at Solving Common Knowledge Work Tasks? | Alexandre Drouin et al. / arXiv | 2024-03-12 | https://arxiv.org/abs/2403.07718 | 企业网页知识工作与 BrowserGym 观测/动作设计 | 正文重点阅读 | 任务型与任务实例数不同;GUI 操作会混入感知和界面因素 |
| S31 | 论文/基准 | OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments | Tianbao Xie et al. / arXiv | 2024-04-11 | https://arxiv.org/abs/2404.07972 | 跨桌面/网页应用工作流、初态配置与执行式评价 | 正文重点阅读 | GUI grounding 与操作知识可能掩盖图规划机制的影响 |
| S32 | 论文/基准 | TaskBench: Benchmarking Large Language Models for Task Automation | Yongliang Shen et al. / NeurIPS 2024 | 2023-11-30 | https://arxiv.org/abs/2311.18760 | 工具图采样、back-instruct 与任务分解/选择/参数的分项评价 | 正文重点阅读 | 静态工具图任务与状态化在线恢复不是同一评测单位 |
| S33 | 论文/基准 | ToolSandbox: A Stateful, Conversational, Interactive Evaluation Benchmark for LLM Tool Use Capabilities | Jiarui Lu et al. / arXiv | 2024-08-08 | https://arxiv.org/abs/2408.04682 | 隐式状态依赖、交互恢复、Milestones/Minefields 与中间轨迹评价 | 正文重点阅读 | 中间约束与动态恢复已有先行任务;标注和用户模拟成本不可忽略 |
| S34 | 官方博客 | Writing effective tools for AI agents | Ken Aizawa / Anthropic Engineering | 2025-09-11 | https://www.anthropic.com/engineering/writing-tools-for-agents | 工具契约、命名、有效信息返回与真实任务评价 | 文章正文阅读 | 工具接口变化是图方法比较的重要混杂因素 |
| S35 | 官方博客 | Effective context engineering for AI agents | Anthropic Applied AI | 2025-09-29 | https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents | 当前任务上下文选择、结果压缩、按需读取与子任务隔离 | 文章正文阅读 | 本库只用局内上下文控制;跨会话记忆部分留在相邻库 |
| S36 | 官方博客 | How we built our multi-agent research system | Anthropic Engineering | 2025-06-13 | https://www.anthropic.com/engineering/multi-agent-research-system | 独立并行任务、委派边界、状态恢复与预算成本 | 文章正文阅读 | 内部研究任务评价不等于共享状态操作任务;不转为本库 RAG 主线 |
| S37 | 官方博客 | The “think” tool: Enabling Claude to stop and think in complex tool use situations | Anthropic Engineering | 2025-03-20 | https://www.anthropic.com/engineering/claude-think-tool | 工具结果后的约束检查;方法建议随模型能力演进 | 文章正文与更新说明阅读 | 页面 2025-12-15 更新已建议多数场景优先 extended thinking |
| S38 | 工程博客 | Context Engineering for AI Agents: Lessons from Building Manus | Yichao “Peak” Ji / Manus | 2025-07-18 | https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus | 稳定前缀、动作可用性控制、可恢复压缩与保留失败观察 | 文章正文阅读 | 产品经验为特定时间的局部方案;不能当通用定律 |
| S39 | 工程博客 | Don’t Build Multi-Agents | Walden Yan / Cognition | 2025-06-12 | https://cognition.ai/blog/dont-build-multi-agents | 完整上下文共享、动作隐含决策与跨分支冲突 | 文章正文阅读 | 特定时点架构立场;不等于所有多 Agent 任务都无效 |
| S40 | 官方博客 | Plan-and-Execute Agents | The LangChain Team | 2024-02-13 | https://blog.langchain.com/planning-agents/ | Plan-and-Execute、ReWOO 与 LLMCompiler 的执行差异 | 文章正文阅读 | 工程导读与示例不替代原论文的实验与版本核验 |
| S41 | 工程项目/社区 | 12-Factor Agents: Principles for building reliable LLM applications | Dex Horthy / HumanLayer community | 持续更新 | https://github.com/humanlayer/12-factor-agents | 显式执行状态、控制流、错误事件与小型任务单元 | README 与关键章节阅读 | 工程原则与示例;不支持统一成功率或某架构普遍优越 |
| S42 | 研究者博客 | Context Engineering in Manus | Lance Martin | 2025-10-15 | https://rlancemartin.github.io/2025/10/15/manus/ | Manus 访谈笔记;压缩、外置、隔离及规划器方案变化 | 访谈笔记正文阅读 | 二手访谈笔记,数字和产品内部结构应标为转述 |
| S43 | 官方博客 | Agents Are Going Async | Sydney Runkle, Thushanth Bengre / LangChain | 2026-11-05 | https://blog.langchain.com/agents-are-going-async/ | 后台子任务、事件通知、修改和取消;等待语义 | 文章正文阅读 | 产品工程更新与 beta 通知接口,不是图方法性能实验 |
| S44 | X/Twitter 分享 | Context engineering over prompt engineering | Andrej Karpathy (@karpathy) | 2025-06-25 | https://x.com/karpathy/status/1937902205765607626 | 研究者观点:为下一步准备适当上下文与控制流程 | 平台节选与镜像交叉核验 | 官方 syndication 为节选;全文补充来自公开镜像,不是受控实验 |
| S45 | X/Twitter 分享 | Introducing AppWorld: apps, interactive coding and reproducible evaluation | Harsh Trivedi (@harsh3vedi) | 2024-07-30 | https://x.com/harsh3vedi/status/1818311843976233198 | 作者发布与环境资源入口;回到论文和项目核验 | 平台节选、镜像与项目链接交叉核验 | 仅核验该帖,不把发布措辞当作独立实验结果 |
| S46 | 社区讨论 | Hacker News discussion: Don’t Build Multi-Agents | Hacker News participants | 2025-09-01 | https://news.ycombinator.com/item?id=45096962 | 上下文隔离、Agent/工具边界与共享状态的争论 | 主题与指定评论正文核验 | 社区自述无受控比较;转帖日期不同于原文日期 |
| S47 | 社区讨论 | Hacker News discussion: Context Engineering for AI Agents: Lessons | Hacker News participants | 2025-09-23 | https://news.ycombinator.com/item?id=45352901 | 任务文件、可恢复上下文与缓存成本的工程自述 | 主题与指定评论正文核验 | 少量评论且无标准实验;不作为文件系统优于图的证明 |
| S48 | 论文 | SAGA: Scene-Aware, Goal-Evolving Agents for Long-Horizon Strategy Game Planning | Tianyu Jin et al. / arXiv | 2026-06-29 | https://arxiv.org/abs/2606.29932 | 场景图、跨领域共享资源与局内目标协调 | 正文重点阅读 | 本库只分析局内规划;跨局经验学习留作边界,不并入 Memory/RSI 主体 |
| S49 | 论文 | GATS: Graph-Augmented Tree Search with Layered World Models for Efficient Agent Planning | Maureese Williams, Dymitr Nowicki / arXiv | 2026-07-09 | https://arxiv.org/abs/2607.08894 | 符号匹配、日志统计与未知动作预测组成的世界模型搜索 | 正文重点阅读 | 合成及作者定义压力测试;零调用主张必须限定缓存/模型覆盖范围 |
| S50 | 官方文档 | LangGraph Persistence: Checkpointers and Stores | LangChain documentation | 持续更新 | https://docs.langchain.com/oss/python/langgraph/persistence | 当前任务检查点、恢复与跨线程存储的职责区分 | 现行文档正文阅读 | 程序恢复不等于语义计划修复;跨任务存储不进入本库主体 |
收集与核验规则
- 先搜索本库来源 ID、URL 和标题,优先合并已有条目;新增材料必须说明改变了哪个研究问题。
- 论文回到 arXiv、会议或出版社原文;明确元数据/摘要、正文重点阅读和实际复现的区别。
- 博客记录作者、发布日期与采集日期;页面后来修订的内容不能倒填为初稿结论。
- 社区讨论记录主题 ID 和具体评论,只作经验、反例与争议线索。项目 README 不能单独支持性能主张。
- X 分享保留 canonical post ID;平台节选与镜像全文分别核验,不能把一条帖子的节选写成已阅读完整线程。
- 网络不可达时使用环境中已确认的代理;仍不可读取的材料进入候选池,不伪造内容。
- 新录入论文优先附原论文已有的动机、方法或任务概览图,注明图号与用途;未找到图或图只有 PDF 版本时保留待补图状态,不生成冒充原图的图片。
- 更新流程见 持续收集与更新规则,优先阅读顺序见 多源证据导读与研究问题。
当前证据边界
“图规划”“并行工具调度”和“局部图修复”已有直接先行工作。本库的状态谓词、动作效果、冲突和副作用控制仍是待验证的机制候选;当前资料整理不构成新颖性证明或实验结果。