全书目录

附录 G：分章资料清单

G.65 第 33 章《顶会顶刊为什么越来越强调结构化 Agent》资料清单

8 分钟 3,157 字 第 121 / 161 个阅读单元

  1. 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：真实环境、execution-based evaluation、可复现 benchmark 采用原因：适合支撑“高质量研究偏爱可执行环境与终态验证，而不是只看语言输出”。

  2. 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、长轨迹、多模态、终态验证 采用原因：适合支撑“真实环境越复杂，结构化系统越成为研究前提”。

  3. 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：progress rate、轨迹分析、诊断性评测 采用原因：适合支撑“高质量研究正在从结果展示转向可诊断系统分析”。

  4. 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：trajectory quality、side effects、自动评测 采用原因：适合支撑“顶会顶刊越来越重视过程质量，而不仅是最终成功率”。

  5. Web-Shepherd: Advancing PRMs for Reinforcing Web Agents 作者/机构：Hyungjoo Chae 等 年份：2025 URL：https://arxiv.org/abs/2505.15277 角度：process reward model、步骤级监督 采用原因：适合支撑“高质量研究正在把过程监督和结构化训练纳入主方法论”。

  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、多维度、行为评测 采用原因：适合支撑“高质量 venue 希望研究对象是行为系统，而不只是回答样例”。

  7. SWE-bench: Can Language Models Resolve Real-World GitHub Issues? 作者/机构：John Yang 等 年份：2023 URL：https://arxiv.org/abs/2310.06770 角度：真实仓库、真实任务、可验证终态 采用原因：适合支撑“真实软件环境迫使研究进入结构化执行与验证”。

  8. 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、多步验证 采用原因：适合支撑“高质量领域研究更偏爱嵌入真实工作流的结构化 agent system”。

  9. Benchmarking large language model-based agent systems for clinical decision tasks 作者/机构：npj Digital Medicine / 作者团队 年份：2026 URL：https://www.nature.com/articles/s41746-026-02443-6 角度：planner-executor-verifier 医疗 agent system、系统设计与成本比较 采用原因：适合支撑“顶刊更关注完整系统如何可靠工作，而不只是模型是否聪明”。

  10. An autonomous agentic workflow for clinical detection of cognitive concerns using large language models 作者/机构：npj Digital Medicine / 作者团队 年份：2025 URL：https://www.nature.com/articles/s41746-025-02324-4 角度：agentic workflow、部署约束、临床流程嵌入 采用原因：适合支撑“领域顶刊已经把 Agent 当流程系统来审视”。

  11. Building Effective AI Agents 作者/机构：Anthropic 年份：2024 URL：https://www.anthropic.com/research/building-effective-agents 角度：workflow vs agent、结构化设计、可控性 采用原因：适合支撑“工程最佳实践与高质量研究正在共享同一结构化语言”。

  12. Safety in building agents 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/agent-builder-safety 角度：tool approvals、structured outputs、trace graders、workflow evals 采用原因：适合支撑“高质量研究为何越来越重视治理、评测和结构化控制面”。

  13. Trace grading 作者/机构：OpenAI 年份：2026 URL：https://developers.openai.com/api/docs/guides/trace-grading 角度：轨迹评分、步骤级分析、可复现评测 采用原因：适合支撑“结构化系统更容易被高质量研究方法准确评估和比较”。

  14. ChatGPT Agent System Card 作者/机构：OpenAI 年份：2025 URL：https://openai.com/index/chatgpt-agent-system-card/ 角度：运行时控制、用户确认、监控、风险边界 采用原因：适合支撑“顶级研究与产品披露已经默认把结构、监督与限制写进系统定义”。

  15. 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、行为监测、主动性风险 采用原因：适合支撑“安全与治理要求本身在推动结构化 Agent 成为主流”。