Ctrlk
For the complete documentation index, see llms.txt. This page is also available as Markdown.

附录 B：参考文献

本附录列举全书引用的学术论文、技术规范和行业报告，按主题分类。开源工具和学习资源见附录 C。

学术论文与研究

智能体基准与评估

  1. GAIA: A Benchmark for General AI Assistants

    • Mialon, Fourrier 等（Meta, Hugging Face 等机构），2023

    • https://arxiv.org/abs/2311.12983 | archive.org

    • 涵盖三个难度等级的约 466 个任务，用于评估智能体推理和工具使用能力

  2. WebArena: A Realistic Web Environment for Building Autonomous Agents

    • Zhou 等(CMU)，2023

    • https://arxiv.org/abs/2307.13854

    • 812 个现实网站自动化任务，覆盖电商、社交论坛、协作软件开发与内容管理四域

  3. SWE-bench: Can Language Models Resolve Real-World GitHub Issues?

    • Jimenez 等（Princeton & UChicago），2023（ICLR 2024）

    • https://arxiv.org/abs/2310.06770 | archive.org

    • 2294 个真实 GitHub 问题，评估代码理解和修改能力

  4. AgentBench: Evaluating LLMs as Agents

    • Liu 等（Tsinghua University 等），2023

    • https://arxiv.org/abs/2308.03688

    • 跨 8 个领域的多类别基准任务

  5. SkillOpt: Executive Strategy for Self-Evolving Agent Skills

    • Yang 等（Microsoft Research 等），2026

    • https://arxiv.org/abs/2605.23904

    • 将自然语言 Skill 文档作为冻结智能体的外部可训练状态，通过 scored rollout、受控编辑和 held-out 验证门禁优化可复用 Skill

  6. Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses

    • Lin, Liu 等（复旦大学、北京大学等），2026-04

    • https://arxiv.org/abs/2604.25850

    • 固定底座模型，依据可观测性信号自动迭代工具/中间件/长期记忆；10 轮进化使 Terminal-Bench 2 的 Pass@1 从 69.7% 升至 77.0%，反超人工设计的 Codex-CLI harness（71.9%），收益主要来自工具、中间件与长期记忆而非系统提示词

  7. Measuring AI Ability to Complete Long Software Tasks

    • METR，2025-03

    • https://arxiv.org/abs/2503.14499 和 https://metr.org/time-horizons/

    • 提出“任务完成时间跨度”(task-completion time horizon)指标：智能体在给定成功率阈值（同时报告 50% 与 80%）下能完成的人类专家任务时长，前沿模型约每七个月翻倍；具体跨度以 METR 报告为准

提示词工程与优化

  1. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

    • Google, 2022

    • https://arxiv.org/abs/2201.11903

    • 基础论文，展示逐步推理如何改善 LLM 能力

  2. ReAct: Synergizing Reasoning and Acting in Language Models

    • Google & Princeton, 2023

    • https://arxiv.org/abs/2210.03629

    • 推理与行动结合的智能体框架原理

安全性与对抗性

  1. Not What You've Signed Up For: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection

    • Greshake, Abdelnabi 等（CISPA, Saarland University 等），2023

    • https://arxiv.org/abs/2302.12173

    • 间接提示注入攻击的系统分类与实际危害分析，涵盖数据窃取、蠕虫传播等攻击向量

  2. Identifying the Risks of LM Agents with an LM-Emulated Sandbox (ToolEmu)

    • Ruan 等（University of Toronto、Vector Institute、Stanford 等），2024（ICLR 2024）

    • https://arxiv.org/abs/2309.15817

    • 用 LM 模拟工具执行环境，评估智能体安全风险；36 个高风险工具 + 144 个测试用例

  3. Agent-SafetyBench: Evaluating the Safety of LLM Agents

    • Zhang, Cui 等，2024

    • https://arxiv.org/abs/2412.14470

    • 349 个交互环境、2000 个测试用例，覆盖 8 类安全风险和 10 种常见失败模式

长期记忆与推理

  1. In-Context Learning and Induction Heads

    • Anthropic, 2022

    • https://arxiv.org/abs/2209.11895

    • 理解 LLM 如何利用上下文进行学习

技术文档与规范

Anthropic 官方文档

  1. Claude API Documentation

    • Anthropic, 2026

    • https://platform.claude.com/docs/en/home | archive.org

    • Claude 模型的 API 使用、限制、最佳实践

  2. Model Context Protocol (MCP) Specification

    • Anthropic 发起，Linux Foundation 托管，2024-2026

    • https://modelcontextprotocol.io/specification/latest 和 https://github.com/modelcontextprotocol/modelcontextprotocol | archive.org

    • 工具定义和交互的开放标准协议；最新版本以官方 specification/latest 页面为准

  3. Claude Code Documentation

    • Anthropic, 2026

    • https://code.claude.com/docs/en/overview 和 https://code.claude.com/docs/en/permissions

    • Harness 框架特定文档，含权限、路径校验、护栏细节

国际标准

  1. NIST AI Agent Standards Initiative

    • NIST CAISI(Center for AI Standards and Innovation)，2026

    • https://www.nist.gov/artificial-intelligence/ai-agent-standards-initiative | archive.org

    • 美国国家标准与技术研究院发起的 AI 智能体标准化工作，涵盖互操作性和安全等方面

  2. IEEE Standards for Autonomous Systems

    • IEEE, 2024

    • https://standards.ieee.org/initiatives/autonomous-intelligence-systems/standards/

    • 自主系统的行为、安全、可靠性标准

开源框架文档

  1. LangChain Documentation

    • LangChain, 2023-2026

    • https://docs.langchain.com/oss/python/langchain/overview

    • Agent、工具、链式推理、记忆管理等

  2. LlamaIndex (formerly GPT Index)

    • Jerry Liu & team, 2023-2026

    • https://www.llamaindex.ai

    • 数据连接与检索增强生成(RAG)

  3. AutoGen: Enabling Next-Gen Large Language Model Applications

    • Microsoft, 2023

    • https://microsoft.github.io/autogen

    • 多智能体框架和对话工程

行业报告

  1. State of Agent Engineering

    • LangChain, 2026（调研于 2025-11/12，1,340 名受访者）

    • https://www.langchain.com/state-of-agent-engineering

    • 57% 的组织已在生产运行智能体系统；智能体工程的成熟度和挑战分析

  2. Magic Quadrant for AI Application Development Platforms

    • Gartner, 2025（该领域首份 MQ）

    • https://www.gartner.com/en/documents/7188230

    • 智能体框架和工具的市场定位和评估

  3. 北京市加快智能体引领发展若干措施

    • 北京市发展和改革委员会等（京发改〔2026〕1185 号），2026-07

    • https://www.beijing.gov.cn/zhengce/zhengcefagui/202607/t20260723_4781085.html

    • 北京市系统部署智能体产业发展的政策文件，共 10 条；第二条将“驾驭层工程（Harness Engineering）”与智能体互联协议（AIP）写入正式文本，第三条命名“前沿部署工程师（FDE）”，第六条提出 Token（词元）经济与价值计费

  4. 智能体规范应用与创新发展实施意见

    • 国家网信办、国家发展改革委、工业和信息化部（三部门），2026-05-08

    • https://www.cac.gov.cn/2026-05/08/c_1779979789472520.htm

    • 中国首份面向智能体的综合性政策文件，厘清“仅限用户本人决策、需由用户授权决策、智能体自主决策”三类决策方式的合理边界及所需权限，要求用户对智能体自主决策享有知情权与最终决策权，且智能体执行操作不得超出用户授权范围

工程实践博客

  1. Building workflows for agents with Skills and Interpreters

    • Hunter Lovell（LangChain），2026-05-29

    • https://www.langchain.com/blog/interpreter-skills

    • Deep Agents 的 Interpreter Skills：将确定性子流程封装为可导入的 TypeScript 模块，由 SKILL.md 声明何时调用、由解释器在 Harness 内执行，兼顾工作流确定性与智能体自主性

  2. Harness design for long-running application development

    • Prithvi Rajasekaran（Anthropic），2026-03

    • https://www.anthropic.com/engineering/harness-design-long-running-apps

    • 长程智能体应用的 Harness 设计实践；定义“上下文焦虑”(context anxiety)，主张以上下文重置等手段支撑长时自主任务（本书 2.2、4.5、8.3.4、14.3 引用）

  3. Code execution with MCP: Building more efficient agents

    • Anthropic Engineering，2025-11-04

    • https://www.anthropic.com/engineering/code-execution-with-mcp

    • 让智能体写代码调用 MCP 工具、按需加载工具定义，中间结果留在执行环境内；示例中 token 用量从约 15 万降到约 2000（本书 8.2.8 引用）

  4. 12-Factor Agents: Principles for building reliable LLM applications

    • Dex Horthy（HumanLayer），2025

    • https://github.com/humanlayer/12-factor-agents

    • 仿照 12 Factor App 的生产级 LLM 应用原则：工具即结构化输出、掌握自己的控制流、智能体即无状态 reducer 等（本书 1.4.4 引用）

获取方法：大多数论文可通过 arXiv、Google Scholar、官方网站免费获取。开源项目均可通过 GitHub 访问。商业工具通常提供免费试用。

上一页附录 A：术语表
下一页附录 C：推荐资源

最后更新于