分析与理论arXiv:2610.06191 · 10月5日
研究：工具型智能体判断结果无用却仍继续检索，强制整合步骤可纠正
分析检索智能体判定结果无用后仍不停止检索的整合失败
AI Agent测试Qwen2.5-7B、Llama-3.1-8B、Qwen3-8B 等 7 个应用层
摘要论文揭示智能体判定工具失效却无法转化为停止行动，证实通过框架规则强制整合判定可提升表现。
本文针对智能体在工具静默失效时过度检索的问题，系统分析了判定、信念与停止行动之间的解耦现象，并提出了外部规则整合方案。
完整解读
评测与基准arXiv:2610.03448 · 10月2日
研究重测 15 个提示注入检测器：基准分数难以预测 Agent 部署表现
重评提示注入检测器，检验基准分数对智能体部署的预测力
AI Agent测试Horizon-Labs、Wolf Defender、Prismor-1.5B 等 15 个应用层
摘要论文揭示公开基准无法反映智能体检测器表现，检测能力源于输入格式相似而非通用防御，建议基于工具输出与低误报评测。
完整解读
评测与基准arXiv:2608.19741 · 8月20日
微软发布 Thinkingbox 沙盒与 507 任务基准，评估有状态业务流程中的 Agent 可靠性
构建 THINKINGBOX 沙盒与基准，评测有状态业务工作流中智能体的执行稳定性
AI Agent测试Claude Opus 5、GPT-5.4、GPT-5.6-sol 等 14 个应用层
摘要论文构建多轮业务沙箱与基准，分析多次重复执行差距并展示强化学习训练效果。
完整解读
评测与基准arXiv:2608.18066 · 8月19日
Salesforce AI Research 重测自改进 Agent
重测记忆型自改进智能体，揭示任务顺序和多次运行带来的性能不稳
网页与电脑操作测试GPT-5-mini、Gemini-2.5-Pro、GPT-OSS-120B 等 4 个应用层
- 记忆
摘要论文揭示了基于记忆的自改进智能体在多次运行和乱序下的脆弱性，并指出规约不完备是诱发退化的关键瓶颈。
这篇论文是对基于文本记忆的自我改进智能体在复杂环境中评估可靠性的实证研究。
完整解读
评测与基准arXiv:2609.03221 · 9月3日
FairMedAgent：临床 LLM 智能体公平性审计中的随机噪声下限
用 FairMedAgent 测量临床智能体在输入不变时的动作不稳定性下限
LLM 应用测试claude-haiku-4-5、claude-sonnet-5、llama3.1:8b-instruct 等 7 个应用层
摘要先测同一输入下的动作不一致率，再用它解读人口学翻转率。
FairMedAgent 把临床智能体公平审计里的采样噪声单独量出来：输入不变时动作仍会改变，这个比率就是解读翻转率的下限。。
完整解读

已经到底了

Agent 安全 · 论文

攻击类型

防御类型

影响

系统形态

攻击面/入口

层

系统组件

被测模型厂商

研究：工具型智能体判断结果无用却仍继续检索，强制整合步骤可纠正

研究重测 15 个提示注入检测器：基准分数难以预测 Agent 部署表现

微软发布 Thinkingbox 沙盒与 507 任务基准，评估有状态业务流程中的 Agent 可靠性

Salesforce AI Research 重测自改进 Agent

FairMedAgent：临床 LLM 智能体公平性审计中的随机噪声下限