DAIR.AIby DAIR.AI · 推文AI评分：70/100该研究提出从智能体轨迹中提取紧凑的有限状态机（FSM），以分析智能体行为中模型与外部框架的贡献。在12个公开数据集上，诱导出的FSM仅含7至43个状态，对保留数据的重放适应度达0.997，且跨分割拓扑几乎一致，构建时间仅需毫秒。FSM状态上下文在下一步预测上优于Agent Workflow Memory，基于状态的故障预测AUROC最高达0.94，在线监控可提前停止失败运行。作者认为行为拓扑更多由部署框架而非底层LLM塑造。
Ethan Mollickby Ethan Mollick · 推文AI评分：70/100该研究探讨智能体购物行为，发现即使页面浏览顺序、记忆等微小差异也会导致AI偏好发生不可预测的变化，表明营销难以稳定影响智能体决策。
DAIR.AIby DAIR.AI · 推文AI评分：70/100本文提出任务模型归纳（TMI）方法，从用户工作的原始屏幕录制和鼠标键盘事件中，自动发现潜在任务并构建符号化任务模型。TMI 首先将多线程轨迹分离为独立任务，与人工标注分组的一致性达 0.974；随后为每个任务生成层次化目标模型和控制流程序模型，可重建 74.9% 的执行步骤。基于这些任务模型提取的技能，在保留任务上的准确率比最强基线提升 30.0%。该方法利用现有工作电脑上的被动记录，将其转化为可审计、可复用的技能。
DAIR.AIby DAIR.AI · 推文AI评分：90/100微软提出Thinkingbox，一个用于评估AI智能体在真实业务流程中可靠性的沙箱环境，包含507个跨零售、酒店、汽车保险、新银行IT和咨询支持的政策条件工作流基准。每个尝试根据智能体留下的后端状态进行评分，可执行检查接受有效轨迹并拒绝错误、缺失或额外效果。最强模型达到65.36%的pass@1和25.25%的pass^20，许多失败尝试以有效的状态更改工具调用干净终止，仅观察响应或工具调用难以判断任务是否真正完成。
DAIR.AIby DAIR.AI · 推文AI评分：90/100谷歌DeepMind提出潘多拉路由（Pandora's Router），将模型路由问题形式化为潘多拉魔盒问题，即检查成本高昂时的最优搜索问题。在高斯信号模型下，策略具有闭式解，可针对每个专家和输入判断细化估计是否值得。在多LLM基准、检索增强专家和可变推理时LLM上，该方法在匹配穷举估计质量的同时大幅减少昂贵估计器的调用次数。
