一介布衣、

摘要： https://arxiv.org/abs/2507.21046 摘要 大型语言模型（LLMs）在多种任务中展现了卓越的能力，但其本质上是静态的，无法根据新任务、不断变化的知识领域或动态交互环境自适应地调整内部参数。随着LLMs越来越多地应用于开放式、交互式环境，这种静态特性已成为关键瓶颈，亟需能够 阅读全文

摘要： https://www.anthropic.com/engineering/multi-agent-research-system 我们是如何搭建多智能体研究系统的 我们的 Research 功能利用多个 Claude 智能体，更高效地探索复杂主题。本文分享了我们在构建该系统过程中遇到的工程挑战和经 阅读全文

摘要： https://www.dbreunig.com/2025/06/26/how-to-fix-your-context.html 如何修复您的上下文 缓解和避免上下文失败 接续我们之前的文章"长上下文如何失败"，让我们梳理一下可以缓解或完全避免这些失败的方法。 但在此之前，让我们简要回顾一下长上下文 阅读全文

摘要： https://arxiv.org/abs/2505.04769 摘要 视觉-语言-动作（Vision-Language-Action, VLA）模型标志着人工智能领域的变革性进展，旨在将感知、自然语言理解与具身动作统一于单一计算框架之中。本文作为基础性综述，系统梳理了近年来VLA模型的最新进展，并 阅读全文

摘要： https://arxiv.org/abs/2503.06072 摘要 大型语言模型（LLMs）的出现彻底改变了自然语言处理，使其在从对话系统到科学探索等各领域中变得不可或缺。然而，其预训练架构在特定场景下常暴露出诸多局限，包括推理能力受限、伦理风险不明以及领域适应性不足等问题。这些挑战促使先进的后 阅读全文

摘要： https://arxiv.org/abs/2505.20416 https://github.com/open-sciencelab/GraphGen 摘要 大规模语言模型（LLM）的微调通常需要大量高质量的有监督数据，而这些数据的获取既昂贵又耗时。尽管合成数据生成已成为一种有前景的解决方案，但现 阅读全文

摘要： 摘要 我们提出了RoboMemory：一种受大脑启发的多记忆框架，面向物理实体系统中的终身学习，解决了真实环境中的关键挑战：持续学习、多模块记忆延迟、任务相关性建模，以及闭环规划中的无限循环问题。RoboMemory基于认知神经科学，集成了四大核心模块：信息预处理器（类丘脑）、终身实体记忆系统（类海 阅读全文

摘要： https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus 中文版的是低级的机翻。这个是使用GPT4.1的翻译结果，并加上了富文本标记。 Manus 上下文工程经验 背景与抉择 在项目伊始，我 阅读全文

摘要： https://arxiv.org/abs/2505.00675 摘要 记忆是人工智能系统的基础组成部分，支撑着基于大语言模型（LLMs）的智能体。以往的综述多聚焦于记忆在LLM中的应用（如实现对话智能体的个性化记忆），但往往忽略了驱动记忆动态变化的基本操作。本文首先将记忆表示划分为参数化和上下文两 阅读全文

摘要： https://arxiv.org/pdf/2505.16928 摘要 我们提出了 infini-thor，这是一个面向长时序具身任务的新框架，旨在推动具身人工智能中的长上下文理解能力。infini-thor 提供了： (1) 一个可扩展、可复现且无限制生成长时序轨迹的生成框架； (2) 一个新颖的 阅读全文