搜索 AI 资讯

AI 智能体的上下文工程（智能体记忆）始于检索

代理在笨拙的搜索、过大的结果集以及过时的数据上浪费了时间和上下文。了解 LangChain 的深度代理所采用的检索技术，以获取恰当的上下文。

利用深度智能体进行上下文工程：如何在无需将所有内容都保留在上下文中时实现记忆

长期运行的智能体在上下文不断累积时会性能下降。了解如何通过卸载、摘要、技能、子智能体和记忆机制，让您的智能体保持专注的上下文窗口。

DraMaze：一种具备未来感知记忆的多智能体流水线，用于多样化的微剧剧本生成

arXiv：2610.32002v1 发布类型：新 摘要：微剧的迅猛发展使得对高质量剧本创作的需求日益增长。利用大语言模型进行长篇微剧剧本生成，既需要多样化的剧情推进，又要求具备长时段的叙事连贯性。我们的观察表明，随着生成过程的推进，候选续写内容越来越倾向于聚焦于少数几种叙事机制；而传统的检索方式则可能加剧套路的重复使用，并忽视对未来情节至关重要的历史信息。为应对这些挑战，我们提出了DraMaze，这是一种多智能体流水线，通过基于套路记忆的进化树搜索与变异机制，探索多样化的因果路径；同时，它还构建了逆向叙事依赖树，用于组织、保存并检索历史记忆。

Permission to Retry: A Study of Authorization and Recovery in AI Agent Workflows

arXiv:2610.31916v1 Announce Type: new Abstract: A durable agent can resume a consequential action while its authority changes and the action's external outcome remains uncertain. We study execution-time reliability of tool-using AI agents, isolating recovery decisions from language-model behavior. Checkpoint state, permission to dispatch, evidence of an external effect and permission to reconcile are distinct obligations. We present a finite conformance study that checks these obligations through histories scored against a provider effect ledger hidden from the recovering application. A prospectively frozen campaign executes 336 histories on native LangGraph and Temporal hosts, crossing 14 schedules, three provider contracts and four matched application policies. All 168 paired host cells

Understanding Communication Failures in Multi-Agent LLM Systems

arXiv:2610.32060v1 Announce Type: new Abstract: Multi-agent LLM systems aim to improve reasoning through debate, evidence sharing, and mutual correction, but interaction can also introduce failures that final accuracy alone cannot explain. Agents may converge too early, ignore dissent, suppress correct minority answers, or preserve a wrong framing across rounds. We present a corpus-grounded taxonomy of communication failures, built from 3,211 failed multi-round trajectories across medical QA, coding, finance, multi-hop reasoning, ethics, and embodied text tasks. Using this taxonomy, we analyze failure distributions across datasets and system designs, round-level error dynamics, recovery hardness, majority transitions, minority-signal suppression, and self-reported confidence. We find that

LangChain发布“公司级智能体框架”五大核心组件

LangChain于2026年10月25日发布博客，系统阐述其在营销、销售与工程团队内部部署AI智能体（GTM Agent、OpenSWE、Content Studio）所沉淀的五大通用架构原则：原生集成工作环境（Slack）、动态身份模型（OBO+固定凭证）、双层记忆机制（全局/用户级）、沙箱化代码执行、高比例调度运行（非手动触发）。所有智能体均基于Managed Deep Agents平台构建。

推荐理由：该资讯源自LangChain官方博客，发布时间（2026-10-25T18:06:32.000Z）早于当前系统时间（2026-10-25T23:01:18.857Z），内容聚焦已落地的内部智能体实践，细节具体（如Slack线程隔离、GitHub账号归属逻辑、Notion/Twitter权限分层等），未含未经验证的预测或外部宣称，符合时效性与事实性要求。

微软开源Agensh：支持1024个自主协作AI编码代理的去中心化框架

微软研究院于2026年10月25日开源Agensh，一种无需中央协调器的多代理运行时框架，支持1至1024个LLM编码代理在ProgramBench上自组织协作。系统基于Gitea、Mattermost和DeLM风格共享看板实现去中心化协调，所有代理运行同一提示驱动的五步循环，已在Linux+Docker环境下验证可扩展性。

推荐理由：该成果代表多智能体系统架构的重要演进——摒弃传统‘主控代理’范式，通过提示工程与轻量服务组合实现大规模自组织；其在ProgramBench上的实证数据（如128代理使5任务均分提升49%）为分布式AI工程提供新基准；MIT许可证开源且兼容Copilot CLI等主流单代理工具，具备实际开发参考价值。

拜耳作物科学基于Amazon Bedrock AgentCore构建多智能体决策引擎ADE

拜耳作物科学在Amazon Bedrock AgentCore上构建了Agentic Decision Engine（ADE），一个面向育种专家、分析师与研究人员的自然语言多智能体平台，作为其现有Connected Decision Engine（CDE）的增强层而非替代。该系统已上线生产环境，服务超100名R&D用户，通过22个领域专用智能体与约20个API工具实现约80%问题自助解决。

Deep Insight：AWS开源多智能体系统如何解决五大生产级挑战

AWS解决方案架构团队推出的开源多智能体系统Deep Insight，面向CSV数据自动分析与自然语言报告生成场景，系统性应对生产环境中常见的五大挑战：智能体编排、按角色选模、稳定运行、安全代码执行与可观测性，并已在LG电子和re:Invent 2025 TechRecon等真实场景落地验证。

AWS发布自适应智能体框架AAIF：基于Strands Agents实现边缘-云协同的分层AI任务调度

AWS提出Adaptive Agentic Intelligence Framework（AAIF），利用Strands Agents构建分层智能体架构，通过本地小型语言模型（SLM）动态路由任务——常规IoT遥测与视觉分析在边缘执行，复杂推理交由Amazon Bedrock云端大模型处理；框架支持混合部署、成本可控，并集成责任AI控制建议，但当前为概念验证实现，未提供第三方验证或商业落地数据。

Investing in multi-agent AI safety research

Google DeepMind and partners announce a $10M funding call for multi-agent safety research.

Co-Scientist: A multi-agent AI partner to accelerate research

Introducing Co-Scientist, a collaborative AI partner built with Gemini to help researchers accelerate scientific breakthroughs.