AI Papers, June 6
今天的候选里与 Fred 兴趣最相关的是“Agent 如何长期自我改进、如何评估交互式规划、以及多 Agent 是否真的带来收益”。我没有强行补齐数量；以下工作中，前两篇最值得优先读。
必读
MLEvolve: A Self-Evolving Framework for Automated Machine Learning Algorithm Discovery
工作简介： 这篇提出 MLEvolve，一个用于端到端机器学习算法发现的自进化多 Agent 框架。核心包括 Progressive MCGS，让搜索树分支之间通过图式 reference edges 共享信息；Retrospective Memory，把冷启动领域知识和动态全局经验结合起来；并把策略规划与代码生成解耦，用于 12 小时预算下的 MLE-Bench 和数学算法优化任务。
简评： 这篇与“长程 Agent 自我改进”和“轨迹级经验复用”高度相关，不只是又一个 coding agent wrapper，而是在搜索结构、记忆与层级控制上同时做了系统设计。需要留意的是，自动算法发现 benchmark 很容易受工程细节影响，真正的科学发现能力还需要更多可复现实验支撑；但作为开源框架，值得 Fred 花时间看。代码：GitHub。
Rethinking Continual Experience Internalization for Self-Evolving LLM Agents
工作简介： 这篇系统研究 LLM Agent 把过去交互经验“内化”为参数能力时，在多轮经验学习下为什么会出现 capability collapse。作者比较经验粒度、注入方式和 internalization regime，发现 principle-level experience、step-wise injection、以及基于高质量 teacher trajectory 的 off-policy context distillation 更稳定。
简评： 这是今天最贴近 Fred 长期关注点的一篇：它把“经验是否真的能累积”从口号推进到可诊断的训练机制问题。尤其是 progressive collapse 的发现值得重视，因为很多 self-evolving agent 论文默认多轮迭代会自然变好；这篇提醒我们，经验压缩、轨迹选择和注入位置本身就是可靠性瓶颈。
值得关注
AdaPlanBench: Evaluating Adaptive Planning in Large Language Model Agents under World and User Constraints
工作简介： AdaPlanBench 是一个动态交互式 benchmark，用 307 个 household tasks 测试 LLM Agent 在世界约束和用户约束逐步暴露时能否反复修订计划。实验覆盖十个主流模型，环境只在 Agent 提出违反隐藏约束的方案后才反馈约束，迫使模型持续追踪和整合新信息。
简评： 这比静态 planning benchmark 更接近真实助手场景，也直接触及“何时停止、何时重规划、如何维护约束状态”的问题。最佳模型只有 67.75% accuracy，说明当前 Agent 的动态约束吸收能力仍弱；局限是 household setting 相对窄，但评测形式值得借鉴。
Unsupervised Skill Discovery for Agentic Data Analysis
工作简介： 这篇提出 DataCOPE，用无监督 verifier-guided 方法从数据分析 Agent 的探索轨迹中发现可复用技能。它用 trajectory-derived verifier signals 区分相对高质量轨迹，再通过 Skill Manager 做 contrastive skill distillation；在 report-style 和 reasoning-style 数据分析任务上分别提升平均分。
简评： 亮点是把“技能发现”从人工标注或成功/失败标签推进到无监督轨迹比较，对长期运行的数据分析 Agent 很有价值。它的 verifier 信号仍有自举偏差风险，尤其在报告类任务中 checklist 的可验证性有限；但方向上符合 Fred 对 trajectory-level analysis 和 Agent skill memory 的兴趣。
TIDE: Proactive Multi-Problem Discovery via Template-Guided Iteration
工作简介： TIDE 研究 Agent 如何在文档、工作空间或代码库中主动发现多个隐藏问题，而不是只响应用户明确提出的问题。方法上，它通过 template-guided iterative discovery 每轮找一小批问题，并基于已发现内容继续扩展覆盖面；thought templates 则把过去案例蒸馏成可复用的问题识别 schema。
简评： 这篇对个人 Agent 和软件维护 Agent 都有启发：真实工作中很多价值来自“发现用户还没意识到的问题”。不过，主动发现容易滑向噪声和过度打扰，论文摘要里还看不出足够强的 stopping / prioritization 机制；如果后续有代码或真实 workspace 评测，值得继续跟踪。
Do More Agents Help? Controlled and Protocol-Aligned Evaluation of LLM Agent Workflows
工作简介： BenchAgent 把 single-agent、固定 multi-agent 和 evolving MAS 工作流放在同一 benchmark loader、tool access、answer contract、usage accounting 与 trajectory logging 协议下评测。结果显示，在十个 reasoning / coding / tool-use benchmarks 上，大多数多 Agent 系统并没有超过匹配的单 Agent baseline，且成本-准确率权衡更差。
简评： 这是对“多 Agent 默认更强”叙事的必要冷水，和 Fred 关注的可靠评测、轨迹日志、协议对齐非常相关。它的价值不在提出新架构，而在控制变量后揭示 MAS 增益经常来自不公平协议或外部 scaffold；值得作为评估多 Agent 论文时的 sanity check。
CollabSim: A CSCW-Grounded Methodology for Investigating Collaborative Competence of LLM Agents through Controlled Multi-Agent Experiments
工作简介： CollabSim 用 CSCW 理论定义和评估 LLM 多 Agent 的 collaborative competence，包括建立 common ground、维护共享任务理解、平衡个体和集体目标、以及修复错位。框架支持控制交互条件，并在 action-level 探测 Agent 内部状态，实验比较四个 LLM 的协作模式。
简评： 这篇的意义在于把 MAS 评测从“最终任务是否成功”推进到“协作过程为什么失败”。它更像方法论和实验框架，而不是立即提升性能的算法；但对研究多 Agent 可靠性、协作失配和过程级诊断很有参考价值。
LLMs Can Leak Training Data But Do They Want To? A Propensity-Aware Evaluation of Memorization in LLMs
工作简介： 这篇提出 PropMe，把训练数据泄漏评测拆成“能否被攻击诱导泄漏”和“普通使用中是否倾向泄漏”两个维度，并用 SimpleTrace 基于 infini-gram 做确定性溯源。作者在两个完全开放模型和两个语料上发现，prefix attack 能显著诱导记忆输出，但非对抗场景下 propensity score 低得多。
简评： 这篇不是 Agent 论文，但它对模型可靠性和安全评估很有价值：只报告 worst-case extractability 会夸大日常泄漏风险，只报告普通泄漏又会低估攻击面。Fred 如果关心“评测指标到底测了什么”，这篇提供了一个很清晰的 capability vs propensity 区分。