Ting

基础信息

• 作者：Wanjun Zhong, Lianghong Guo, Qiqi Gao, He Ye, Yanlin Wang
• 期刊/日期：arXiv:2305.10250v3 [cs.CL], 21 May 2023
• 核心贡献：提出 MemoryBank，将历史对话、事件摘要、用户画像、向量检索和基于艾宾浩斯遗忘曲线的记忆更新结合起来，为 LLM 提供长期记忆，并通过 SiliconFriend 验证其在长期 AI companion 场景中的记忆召回、个性化和情感陪伴能力。

Q1. 研究动机

LLM 虽然能进行高质量对话，但缺少可持续更新和调用的长期记忆；在 AI companion、心理陪伴、秘书助手等长期交互场景中，模型需要记住用户经历、偏好和情绪变化，才能维持连续性和个性化。

基础信息

• 研究对象：knowledge-intensive NLP tasks 中的检索增强生成，覆盖开放域问答、抽象式问答、Jeopardy 问题生成和事实验证

基础信息

• 核心贡献：综述 87 篇 computer-use agent 论文和 33 个数据集，从 domain、interaction、agent 三个视角建立 ACU taxonomy，并总结通向真实可用通用计算机代理的关键研究缺口。

基础信息

• 核心贡献：从核心能力、应用型 benchmark、generalist agents、benchmark 维度和开发者评测框架五个视角综述 LLM-based agents 的评测方法，并指出成本、安全、鲁棒性和细粒度过程评测缺口。
• 期刊/日期：ACL Findings, 2026

Q1. 研究动机

LLM agents 已能规划、推理、调用工具并与动态环境交互，但评测体系仍碎片化：

基础信息

• 标题：A Survey on the Optimization of Large Language Model-based Agents
• 类型：综述；ACM Computing Surveys 2026
• 研究对象：LLM-based agent 的优化方法、评测基准、开源框架和应用场景
• 核心贡献：本文把 LLM-based agent 优化系统化为参数驱动和无参数两大路线，进一步拆解为微调、强化学习、混合优化、经验/反馈/工具/检索/多智能体协作等策略，并总结评测、应用、挑战和未来方向。

Q1. 研究动机

LLM agent 已广泛用于复杂交互任务，但单靠提示或通用 LLM 微调很难解决长程规划、动态环境适应、记忆利用和决策稳定性问题。已有工作分散讨论微调、RL、记忆、工具、检索等优化手段，缺少从 agent 行为优化角度出发的整体分类和比较。

基础信息

• 标题：Agent-SAMA: State-Aware Mobile Assistant
• 类型：方法论文；移动 GUI agent
• 核心贡献：提出用有限状态机（FSM）建模移动 app 执行过程，把屏幕视为状态、用户动作视为转移，并通过规划、执行、状态建模、反思恢复和知识保留模块提升跨 app 任务成功率与错误恢复能力。

Q1. 研究动机

现有移动 GUI agent 多根据当前屏幕反应式地决定下一步动作，缺少对 app 导航结构和执行上下文的显式表示。这样在跨 app、长程任务和错误恢复场景中，agent 很难判断当前是否偏离预期，也难以回到稳定状态重试。