全书目录

附录 G：分章资料清单

G.61 第 31 章《过去几年 Agent 研究到底在证明什么》资料清单

10 分钟 4,476 字 第 117 / 161 个阅读单元

  1. A Survey on Large Language Model based Autonomous Agents 作者/机构：Zhiheng Xi 等 年份：2023 URL：https://arxiv.org/abs/2308.11432 角度：LLM agents 的总体结构、能力、记忆、规划、工具与应用全景 采用原因：适合支撑“过去几年研究的主线不是单点技巧，而是任务系统化”。

  2. ReAct: Synergizing Reasoning and Acting in Language Models 作者/机构：Shunyu Yao 等 年份：2022 URL：https://arxiv.org/abs/2210.03629 角度：推理与行动交替、模型进入任务过程 采用原因：适合支撑“研究首先证明模型可以成为任务中的决策体，而不是只会回答”。

  3. Toolformer: Language Models Can Teach Themselves to Use Tools 作者/机构：Timo Schick 等 年份：2023 URL：https://arxiv.org/abs/2302.04761 角度：工具使用、自监督工具调用 采用原因：适合支撑“外部工具已成为 Agent 研究中的基本构件，而非附属能力”。

  4. Reflexion: Language Agents with Verbal Reinforcement Learning 作者/机构：Noah Shinn 等 年份：2023 URL：https://arxiv.org/abs/2303.11366 角度：反思、自我反馈、错误修正 采用原因：适合支撑“研究开始系统探索模型如何在回路里纠偏，而不是一次性生成答案”。

  5. MRKL Systems 作者/机构：Jack W. Rae 等 年份：2022 URL：https://arxiv.org/abs/2205.00445 角度：神经-符号混合、模块路由、外部系统接入 采用原因：适合支撑“结构外化并不是偶然趋势，而是长期可见的系统方向”。

  6. AgentBench: Evaluating LLMs as Agents 作者/机构：Xiao Liu 等 年份：2024 URL：https://openreview.net/forum?id=zAdUB0aCTQ 角度：多环境、多任务 agent benchmark 采用原因：适合支撑“研究正从静态语言能力转向环境中的任务能力”。

  7. AgentBoard: An Analytical Evaluation Board of Multi-turn LLM Agents 作者/机构：Chang Ma 等 年份：2024 URL：https://arxiv.org/abs/2401.13178 角度：分析型评测、多维度能力画像、轨迹分析 采用原因：适合支撑“研究不再只看最终成功率，而开始做结构化诊断”。

  8. WebShop: Towards Scalable Real-World Web Interaction with Grounded Language Agents 作者/机构：Shunyu Yao 等 年份：2022 URL：https://openreview.net/forum?id=R9KnuFlvnU 角度：电商网页环境中的 grounded interaction 采用原因：适合支撑“真实环境 benchmark 如何推动 Agent 从回答走向行动”。

  9. Mind2Web: Towards a Generalist Agent for the Web 作者/机构：Xiang Deng 等 年份：2023 URL：https://openreview.net/forum?id=kiYqbO3wqw 角度：真实开放网站、跨站泛化、复杂网页噪声 采用原因：适合支撑“环境一旦真实化，很多方法的表面智能会被揭穿”。

  10. WebArena: A Realistic Web Environment for Building Autonomous Agents 作者/机构：Shuyan Zhou 等 年份：2024 URL：https://openreview.net/forum?id=zlsj9akpaa 角度：真实网站环境、execution-based evaluation 采用原因：适合支撑“研究进入真实环境验证阶段，而不是停在静态问答”。

  11. OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments 作者/机构：Tianbao Xie 等 年份：2024 URL：https://openreview.net/forum?id=tN61DTr4Ed 角度：真实桌面环境、多应用、多模态、长任务 采用原因：适合支撑“Agent 研究对象已经扩展到完整 computer-use 系统”。

  12. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation 作者/机构：Qingyun Wu 等 年份：2023 URL：https://arxiv.org/abs/2308.08155 角度：多 Agent 对话编排、协作结构 采用原因：适合支撑“研究开始把协作和角色分工显式结构化”。

  13. CAMEL: Communicative Agents for Mind Exploration of Large Language Model Society 作者/机构：Guohao Li 等 年份：2023 URL：https://arxiv.org/abs/2303.17760 角度：role-playing、多 Agent 协作 采用原因：适合支撑“多 Agent 研究如何从角色设定切入复杂任务分解”。

  14. MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework 作者/机构：Sirui Hong 等 年份：2023 URL：https://arxiv.org/abs/2308.00352 角度：软件工程式多 Agent 组织、标准化工序 采用原因：适合支撑“结构化协作开始借鉴工程组织而非自由对话”。

  15. ChatGPT Agent System Card 作者/机构：OpenAI 年份：2025 URL：https://openai.com/index/chatgpt-agent-system-card/ 角度：工具执行安全、用户确认、运行时监控、越权防护 采用原因：适合支撑“研究已从能力扩展到可控性与治理内建”。

  16. Claude 4 System Card 作者/机构：Anthropic 年份：2025 URL：https://assets.anthropic.com/m/6c940a1b69ed6a1c/original/Claude-4-System-Card.pdf 角度：agentic safety、监督下的偏航风险、外部监测 采用原因：适合支撑“更强主动性会迫使研究转向更强监督与限制”。

  17. AgentHarm: A Benchmark for Measuring Harmfulness of LLM Agents 作者/机构：Maksym Andriushchenko 等 年份：2024 URL：https://arxiv.org/abs/2410.09024 角度：Agent 有害任务执行与拒绝能力评测 采用原因：适合支撑“安全评测已经成为 Agent 研究主结构，而非附属话题”。

  18. Agent Security Bench (ASB): Formalizing and Benchmarking Attacks and Defenses in LLM-based Agents 作者/机构：Hanrong Zhang 等 年份：2024 URL：https://arxiv.org/abs/2410.02644 角度：攻击、防御与 benchmark 一体化 采用原因：适合支撑“安全研究正在直接重塑 Agent 架构与评测方法”。

  19. Web-Shepherd: Advancing PRMs for Reinforcing Web Agents 作者/机构：Mingyang Zhuang 等 年份：2025 URL：https://arxiv.org/abs/2505.15277 角度：面向 web agent 的 process reward model、步骤级监督 采用原因：适合支撑“研究正在把过程监督引入 Agent，而不是只看终态成功”。

  20. AgentRewardBench: Evaluating Automatic Evaluations of Web Agent Trajectories 作者/机构：Xing Han Lu 等 年份：2025 URL：https://arxiv.org/abs/2504.08942 角度：web agent trajectory 的自动评测与 side effects 指标 采用原因：适合支撑“评测器本身正在成为 Agent 研究的重要对象”。

  21. SWE-PolyBench: A Multi-Language Benchmark for Repository-Level Evaluation of Coding Agents 作者/机构：SWE-PolyBench 作者团队 年份：2025 URL：https://arxiv.org/abs/2504.08703 角度：repository-level、多语言 coding agent 评测 采用原因：适合支撑“研究对象正在从方法演示走向真实任务系统”。

  22. MedAgentBench: A Realistic Virtual EHR Environment to Benchmark Medical LLM Agents 作者/机构：MedAgentBench 作者团队 年份：2025 URL：https://arxiv.org/abs/2501.14654 角度：虚拟 EHR、临床工作流、多步医疗任务 采用原因：适合支撑“medical agents 已从医学问答转向 clinical workflow system”。