访问学术资料
关于 Atoms 多智能体、推理和工作流能力的研究论文与学术资料。
Atoms 与全球顶尖大学和研究机构合作，产出有关多智能体框架、LLM 推理、上下文增强和自动化工作流的前沿研究。
这些成果不仅推动了理论进展，也增强了 Atoms 在多智能体协作、数据解读、RAG 增强推理和提示词优化等领域的产品能力。
1. 不点击就不知道：用于生产就绪软件评估的自动化 GUI 测试
摘要
随着大语言模型（LLM）和代码智能体从生成孤立代码片段发展到构建带有 GUI、交互逻辑和动态行为的完整应用，现有基准已无法有效评估生产就绪软件。静态检查或二元通过/失败脚本忽视了现实世界中的可用性，而这种可用性只有通过交互才能显现。
为了解决这一问题，作者提出了 RealDevWorld ，这是一个端到端自动化评估框架，用于测试 LLM 从零生成生产就绪代码仓库的能力。
主要贡献
首个面向生产就绪应用的基于 GUI 的端到端评估框架。
提出了 RealDevBench ，一个包含 194 个多样化多模态工程任务的基准。
提出了 AppEvalPilot ，一种作为评审者的智能体系统，通过模拟基于 GUI 的用户交互进行整体评估。
在减少人工审查依赖的同时，实现了较高的人类一致性（准确率 0.92，相关性 0.85）。
阅读更多：https://arxiv.org/abs/2508.14104
2. 基础智能体的进展与挑战：从类脑智能到演化式、协作式与安全系统
摘要
LLM 的出现推动了 AI 的变革性转变，使能够跨领域进行推理、感知和行动的智能体成为可能。设计、评估并持续改进此类智能体面临多方面挑战。
这篇综述全面概述了 Foundation Agents ，并通过类脑模块化架构进行阐释，融合了认知科学、神经科学与计算领域的见解。
主要贡献
提出一个模块化框架，将智能体组件映射到大脑功能（记忆、建模、目标、情绪）。
探索通过演化机制实现自我提升和持续适应。
研究多智能体系统与涌现的群体智能。
讨论现实部署中的安全性、鲁棒性和对齐挑战。
阅读更多：https://arxiv.org/abs/2504.01990
3. 用于马尔可夫 LLM 测试时扩展的 Atom of Thoughts
摘要
LLM 能从训练阶段的扩展中受益，而 test-time scaling 进一步增强了推理能力。然而，累积的历史上下文可能会浪费计算资源并阻碍推理。
该论文提出了 Atom of Thoughts (AoT) ，它将复杂推理分解为 原子化、无记忆的子问题 ，从而形成类似马尔可夫过程的推理流程。
主要贡献
定义了 原子推理 ：将问题分解为 DAG 子问题并对其进行收缩。
可作为插件兼容现有的测试时扩展方法。
通过减少上下文冗余和计算浪费来提升效率。
在六项基准测试中展示了显著的性能提升。
阅读更多：https://arxiv.org/abs/2502.12018
4. Self-Supervised Prompt Optimization (SPO)
摘要
高质量提示词对于增强 LLM 推理至关重要，但手动设计提示词需要专业知识和反复迭代。现有自动化方法高度依赖带标注的参考数据，限制了其在现实场景中的适用性。
SPO 提出了一种自监督框架，无需外部参考即可为封闭式和开放式任务发现有效提示词。
主要贡献
完全从 LLM 输出中获得自监督信号。
将 LLM 同时用作评估器和优化器。
以传统方法 1–5% 的成本 达到最先进性能。
阅读更多：https://arxiv.org/abs/2502.06855
5. 通过原生检索增强推理（CARE）提升上下文保真度
摘要
LLM 经常会产生与给定上下文不一致的幻觉答案。传统解决方案要么需要昂贵的监督数据集，要么依赖外部检索，无法充分利用用户提供的上下文。
CARE 提出了一种 原生检索增强推理 框架，使 LLM 能够将上下文内证据动态直接整合到推理链中。
主要贡献
将上下文内检索引入为推理过程的一部分。
只需极少标注数据，并对复杂任务使用课程学习。
在问答基准上优于 SFT、传统 RAG 和外部检索方法。
阅读更多：https://openreview.net/forum?id=qTsU1QLOph
6. FACT：考察用于多事实检索的迭代式上下文重写效果
摘要
大语言模型（LLM）擅长从长上下文中检索单一事实，但在需要同时检索多个事实时表现欠佳。观察到的一个关键限制是 “lost-in-the-middle” 现象 ，即 LLM 在生成过程中会逐渐丢失对重要信息的追踪，从而导致输出不完整或不准确。
为了解决这一问题，作者提出了 Find All Crucial Texts (FACT) ——一种 迭代式上下文重写方法 ，通过逐步优化输入，使模型能够一步步捕获关键信息。
主要贡献
识别并分析了多事实检索中的“lost-in-the-middle”现象。
提出了 FACT ，一种通过迭代检索与重写来逐步提升事实覆盖率的方法。
在多事实检索基准中展示了显著性能提升，但在通用问答任务上的提升较小。
强调了在长上下文检索中需要更稳健的策略。
阅读更多：https://arxiv.org/abs/2410.21012
7. SELA：用于自动化机器学习的树搜索增强 LLM 智能体
摘要
基于 LLM 的 AutoML 智能体往往会生成多样性较低且次优的流水线。 SELA 利用蒙特卡洛树搜索（MCTS）来优化智能体决策和流水线探索。
主要贡献
应用树搜索方法来提升 AutoML 探索效果。
结合实验反馈对流水线进行迭代优化。
在 20 个数据集上优于传统和基于智能体的 AutoML 基线。
阅读更多：https://arxiv.org/abs/2410.17238
8. AFlow：自动生成智能体式工作流
摘要
为 LLM 构建智能体式工作流既费时费力，也尚未实现完全自动化。 AFlow 将工作流优化重新表述为代码图上的搜索问题，并利用 MCTS 结合执行反馈对工作流进行迭代优化。
主要贡献
将工作流优化定义为代码图搜索。
使更小的模型能够以极低成本超越 GPT-4o。
相比最先进基线实现了 5.7% 的提升 。
阅读更多：https://arxiv.org/abs/2410.10762
9. Data Interpreter：用于数据科学的 LLM 智能体
摘要
现有方法在端到端数据科学工作流、动态任务依赖关系和领域专业知识要求方面面临困难。
Data Interpreter 引入了：
分层图建模 ：将问题拆分为带有动态节点的子问题。
可编程节点生成 ：通过迭代优化和验证代码来提升稳健性。
主要贡献
首个专为完整数据科学工作流打造的 LLM 智能体。
在 InfiAgent-DABench 上实现 25% 的准确率提升 。
显著提升了机器学习、开放式任务和 MATH 数据集上的表现。
阅读更多：https://arxiv.org/abs/2402.18679
10. MetaGPT：用于多智能体协作框架的元编程
摘要
基于 LLM 的多智能体系统在复杂任务上常因级联幻觉而失败。 MetaGPT 将 标准操作流程（SOP） 编码进提示词序列，从而简化工作流并减少错误。
主要贡献
为多智能体协作引入元编程。
将基于 SOP 的人工工作流纳入智能体提示词中。
实现高效的角色分配和任务拆解。
在协作式软件工程任务中展示出更优的稳定性和准确性。