Session 14 · Agent技术及应用¶
XAGI 2026 交叉智能大会 · 10 月 18 日(周日)下午 14:00-16:00 · 3会(友谊宫二层3号会议室) · 返回会议总览
- 4 场报告 · 已精读 4 场
主持:从鑫(清华大学)
本场导览¶
自动生成:归纳本场主线,不打分、不排名。
这一场报告围绕“智能体如何从工具走向协作伙伴”展开,四条主线分别对应教育、科研、系统架构和评估基准。王宏宁的AI Cosmos聚焦多智能体驱动的教学场景,强调自然语言交互与虚实融合;李鹏的AIM系统面向数学研究,探索智能体在定理发现与验证中的角色;闫宇坤的PilotDeck则从操作系统层面解决多项目并行、记忆污染和Token成本问题;从鑫的工作则补上评估缺口,关注LLM在统计问题形式化中的能力。
最突出的主线是“智能体在专业领域中的自主性与协作机制”。李鹏的AIM系统与王宏宁的AI Cosmos形成互补:前者以数学定理为对象,通过自然语言交互和智能体协作辅助问题探索与可信验证,后者以教学任务为载体,让多智能体自主编排角色研讨、代码实训和仿真实验。两者都依赖自然语言作为交互界面,但AIM更强调推理链的可信性,AI Cosmos更侧重场景构建的灵活性。闫宇坤的PilotDeck则从底层设计切入,提出独立工作舱、项目制白盒记忆和常驻式主动执行,试图解决前两者可能面临的记忆污染和能动性缺失问题——这构成一种递进关系:从任务级智能体到系统级智能体。从鑫的基准研究则独立于前三者,为这类系统提供可量化的评估维度,尤其关注用户目标未明确时的任务推断能力。
若想快速建立整体图景,建议先看闫宇坤的PilotDeck(系统架构视角)和从鑫的基准工作(评估视角),这两场能帮你理解智能体系统的边界与瓶颈。若你关注具体应用落地,可再深入李鹏的AIM(数学研究)和王宏宁的AI Cosmos(教育场景),两者分别展示了智能体在知识发现和教学互动中的实际路径。按主题选择入口即可:系统设计打底看闫宇坤,评估方法打底看从鑫,领域应用进阶看李鹏或王宏宁。
1. 情境学习与协作发现:人工智能赋能教育教学新范式¶
讲者:王宏宁(清华大学 · 计算机系) · 14:00-14:30
对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)
摘要(会议官网)
AI Cosmos是由清华大学计算机系交互式人工智能实验室(CoAI)研发的一款多智能体驱动的情景化教学系统(官网:aicosmos.ai),致力于将人工智能从简单的辅助教学工具进化为激发学生认知与创造力的核心伙伴。该系统突破传统AI教学工具的技术门槛,实现全流程自然语言交互,让使用者无需AI或编程基础即可通过多智能体自主编排,轻松构建涵盖多角色研讨、代码实训、交互式视频生成以及仿真实验室的虚实融合“实践空间”。AI Cosmos让师生能够全身心投入到“在做中学”的沉浸式教学体验中,实现教育创新与前沿AI技术的无缝衔接。
(未检索到公开论文,以下依据报告摘要与讲者方向推断)
问题:传统AI教学工具多停留在“辅助”层面,如题库、答疑或内容生成,学生仍处于被动接收位置;同时,多智能体、大模型等前沿技术存在较高使用门槛,教师难以自主构建沉浸式实践环境。报告提出的AI Cosmos系统,试图回答“如何让AI从辅助工具变为激发认知与创造力的核心伙伴”,并降低技术门槛,使无AI或编程基础的师生也能搭建多角色研讨、代码实训、交互式视频生成与仿真实验室等虚实融合场景,推动“在做中学”的教学范式落地。
核心方法:AI Cosmos采用多智能体驱动的情景化教学架构,核心特征是“全流程自然语言交互”与“多智能体自主编排”。用户无需编写代码,仅通过自然语言描述需求,系统即可自动组织多个智能体承担不同角色(如教师、学生、虚拟协作者等),构建教学场景。摘要强调其覆盖四类实践空间:多角色研讨、代码实训、交互式视频生成、仿真实验室。具体智能体协作机制、编排算法与系统架构细节,官网摘要未给出。
与已有工作的关系:该工作属于“AI赋能教育”与“多智能体系统”的交叉方向。相比常见的单一大模型对话式辅导工具,它强调多智能体协同与情景化环境构建;相比需要编程能力的智能体编排框架,它试图以自然语言交互消除使用门槛。讲者王宏宁此前研究强化学习与大模型技术,2023年后转向AI教育应用,因此该系统可能借鉴了强化学习中的环境交互与奖励设计思路,但摘要未明确提及具体基线或对比系统。
贡献与边界:主要贡献是提出一种低门槛、多智能体驱动的教学系统范式,将AI从“工具”提升为“伙伴”,并覆盖多种实践教学场景。边界与局限:摘要未给出系统在真实课堂中的评测数据、学习效果对比或规模信息;其有效性依赖自然语言交互能否准确映射为教学意图,以及多智能体编排在复杂场景下的稳定性。此外,系统强调“实践空间”构建,对理论性、抽象性强的学科教学是否适用,摘要未提供证据。
讲者简介
王宏宁,清华大学计算机系长聘副教授,国家高层次人才,长期专注于强化学习、大模型技术的研究。曾任美国弗吉尼亚大学计算机系Copenhaver讲席副教授,2023年秋加入清华大学后,重点投身于AI赋能教育教学的探索与实践,积累了丰富的理论研究与实践经验。
2. 自然语言驱动的数学研究智能体 - AIM系统的探索与实践¶
讲者:李鹏(清华大学 · 智能产业研究院) · 14:30-15:00
对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)
摘要(会议官网)
数学作为科学进步的重要基石,长期支撑着各学科的发展与突破。近年来,人工智能的迅猛发展正在推动科学研究范式发生深刻变革,也为数学研究带来了新的机遇与挑战。当 AI 遇见数学,尤其是当自然语言成为数学研究智能体理解问题、组织推理与协同探索的重要界面时,将会产生怎样的化学反应?本报告将围绕“自然语言驱动的数学研究智能体”这一主题,简要回顾 AI 在数学研究中的发展脉络与代表性进展,分析 AI 面向研究级数学问题时所面临的核心挑战。在此基础上,报告将重点介绍本团队研发的 AI 数学家系统 AIM,展示其如何通过自然语言交互与智能体协作机制,辅助数学问题探索、定理形成与可信验证。
(未检索到公开论文,以下依据报告摘要与讲者方向推断)
问题:数学研究长期依赖人类专家完成问题探索、定理形成与验证,而现有 AI 系统多面向解题或竞赛级任务,难以支撑研究级数学问题。报告指出,当 AI 与数学相遇,自然语言可作为智能体理解问题、组织推理与协同探索的界面,但这一方向面临核心挑战:如何让模型在开放、长程、需可信验证的数学研究中发挥作用。该问题因大模型与智能体技术的成熟而变得可行,也是 AI4Math 从“做题”走向“发现”的关键一步。
核心方法:报告重点介绍团队研发的 AI 数学家系统 AIM,其设计思路是以自然语言交互为入口,结合智能体协作机制,覆盖数学问题探索、定理形成与可信验证的完整流程。摘要未给出具体模型架构、协作协议或验证算法,也未提供实验规模与量化结果;从讲者研究方向推断,AIM 可能基于大模型作为核心推理单元,通过多智能体分工(如提出猜想、构造证明、检查漏洞)来提升结果可信度,但以上细节均属推断。
与已有工作的关系:报告将回顾 AI 在数学研究中的发展脉络与代表性进展,并在此基础上定位 AIM。从领域常识看,相关工作可包括定理证明器(如 Lean、Coq 辅助证明)、基于大模型的数学解题系统(如 Minerva、GPT-4 数学能力),以及近期数学发现型智能体(如 AlphaTensor、FunSearch 等搜索驱动方法)。AIM 的差异点在于强调自然语言作为主要交互界面,而非形式化语言或纯搜索,但摘要未点名具体基线或对比对象。
贡献与边界:主要贡献是提出并展示一个以自然语言驱动的数学研究智能体系统,将智能体协作与可信验证纳入研究流程,为 AI 辅助数学发现提供了一种系统化尝试。边界方面:摘要未给出定理规模、验证严格性或人工参与程度的细节,无法判断其结论是否经过形式化证明;也未说明系统在开放问题上的成功率。讲者背景显示其成果曾在工业产品中应用,但数学研究场景与产品场景差异较大,AIM 的实际研究级能力仍需论文或演示材料进一步支撑。
讲者简介
李鹏,清华大学智能产业研究院副研究员,主要研究方向包括大模型、智能体、AI4Math 与 AI 驱动的科学发现,在人工智能重要国际会议和期刊发表论文 100 余篇。曾获 ACL 2023 Outstanding Paper Award、ICAIS 2025 Responsible AI Research Award、中国中文信息学会钱伟长中文信息处理科学技术奖一等奖等荣誉,主持科技创新 2030 重大项目课题、国家自然科学基金面上项目等科研项目,曾担任 ICLR、ACL、EMNLP、NAACL 等国际会议领域主席。其研究成果在腾讯微信、百度等千万级日活产品中获得应用并取得显著成效。
3. PilotDeck - 面向生产力的智能体操作系统尝试¶
讲者:闫宇坤(启元实验室 · 大模型研究中心) · 15:00-15:30
对应论文:未检索到公开论文(以下为依据报告摘要与讲者方向的推断)
摘要(会议官网)
近年来,智能体技术经历了"推理能力增强 → 工具能力提升 → 复杂问题拆解"等发展阶段,正从"问答工具"和"专业智能体"迈向更具通用能力的智能体操作系统(Agent OS)。然而,当前Agent OS在多项目并行的记忆污染、不加区分的Token成本浪费、以及问答范式下的能动性缺失等方面仍存在显著瓶颈。 PilotDeck以"解放生产力的第一性原理 - 提供好的生产关系"为设计思路,为大型语言模型提供最适合其工作的生产环境与执行模式,核心创新包括独立工作舱、项目制白盒记忆、多模型智能路由、常驻式主动执行等方面。
(未检索到公开论文,以下为推断)
问题:报告指出智能体技术正沿“推理能力增强 → 工具能力提升 → 复杂问题拆解”演进,从问答工具和专业智能体走向通用智能体操作系统(Agent OS)。但当前 Agent OS 存在三个瓶颈:多项目并行时记忆相互污染、Token 成本不加区分地浪费、问答范式下智能体缺乏主动能动性。这些问题直接阻碍智能体从“被调用”转向“常驻生产力工具”,因此需要重新设计 LLM 的生产环境与执行模式,而非继续堆叠单点能力。
核心方法:PilotDeck 以“解放生产力的第一性原理——提供好的生产关系”为设计思路,核心是四类机制:独立工作舱(隔离不同项目上下文,缓解记忆污染)、项目制白盒记忆(记忆按项目组织且可解释,便于追溯与修正)、多模型智能路由(按任务复杂度分配模型,控制 Token 成本)、常驻式主动执行(突破问答范式,让智能体在后台持续推进任务)。摘要未给出具体实现细节,如路由策略、记忆更新算法或工作舱隔离粒度,也未提供量化性能数据。
与已有工作的关系:该工作属于 Agent OS 方向的系统尝试,直接针对摘要中列举的当前瓶颈。相比单任务智能体或“专业智能体”路线,PilotDeck 强调多项目并行、记忆可管理和主动执行,可视为对“复杂问题拆解”阶段的延伸——从拆解单个问题转向管理长期并行的生产力场景。讲者此前主导的 UltraRAG(知识增强)与 MiniCPM-Embedding 系列(检索嵌入)可能为项目制记忆与路由提供底层技术积累,但摘要未明确说明二者与 PilotDeck 的耦合关系。
贡献与边界:主要贡献是提出一套面向生产力的 Agent OS 设计框架,将“生产关系”作为系统设计的组织原则,并以四个可命名机制给出落地抓手。边界方面:官网摘要未给出实验评估、部署规模或与现有 Agent 框架的对比结果,因此其有效性尚无法验证;设计隐含假设是 LLM 在良好隔离与路由下能显著提升生产力,但未讨论工作舱间协作、记忆白盒化带来的维护成本,以及主动执行在真实办公场景中的安全与误操作风险。适用场景可能偏向多项目并行、知识密集的办公任务,通用性未知。
讲者简介
闫宇坤,启元实验室(Qiyuan Lab)大模型中心副研究员,清华大学自然语言处理实验室(THUNLP)客座研究员,博士毕业于清华大学脑与智能实验室,主要研究方向为大模型知识增强与智能体技术。近年来,在ICLR、NeurIPS、ICML、ACL等人工智能顶级国际会议发表论文40余篇,Google引用超千次,多次担任领域主席与审稿人。主持负责大模型相关开源项目UltraRAG(Github Trending Rank 2)、PilotDeck等,累计星标量1万以上;主持负责开源模型MiniCPM-Emedding系列、VisRAG-Ret系列等,累计下载量超50万次。
4. Benchmarking Language Models for Statistical Problem Formulation¶
讲者:从鑫(清华大学 · 统计与数据科学系) · 15:30-16:00
对应论文:Benchmarking Language Models for Statistical Problem Formulation · arXiv:2609.01982 · 📖 长篇精读
摘要(会议官网)
Large language models (LLMs) are increasingly used as assistants for statistical and data science work, yet existing evaluations largely assume the analysis target is already specified. In practice, users arrive with informal goals and heterogeneous data, leaving the model to decide what statistical task is implied and which data are relevant. We first formalize this upstream step as Statistical Problem Formulation and decompose it into two subtasks: (1) Statistical Problem Classification and (2) Variable Identification & Role Assignment. We then introduce StatFormBench, a benchmark built from five cross-domain statistics textbooks and a data science case library, covering diverse problem types, data representations, and scenario styles. It contains 1,013 samples spanning 20 coarse-grained and 85 fine-grained statistical problem categories. Across 14 LLMs, the best one reach only 72.0 fine-grained classification accuracy and 63.2 variable set overlap.
问题:清华大学统计与数据科学系从鑫团队指出,LLM 正被用于统计与数据科学辅助,但现有评测多假设分析目标已明确。实际用户常以非正式目标与异构数据开场,模型需自行判断隐含的统计任务并筛选相关变量。报告将这一上游环节形式化为“统计问题公式化”,并强调其正确性决定后续分析有效性,因此需要专门基准。
核心方法:StatFormBench 将公式化拆为两个子任务:统计问题分类(粗/细粒度)与变量识别及角色分配(predictor、response、both、N/A)。数据来自五本跨领域统计教材和案例库,经抽取、拆分、过滤、场景改写和人工审核,共 1,013 样本、20 粗类、85 细类。评测 14 个 LLM,最佳零样本细粒度分类准确率(\(\mathrm{ACC_{FG}}\))仅 72.0,变量集合重叠(JCV)最高 63.2,且无模型在两子任务上同时最优。
与已有工作的关系:区别于 StatQA、StatEval 等统计知识推理评测和 DA-Code、DataSciBench 等执行类评测(均预设目标给定),该工作把“问题公式化”本身作为评测对象。与优化建模中 NL4Opt、OptiMUS 等自然语言到形式化表示的任务同属上游映射,但统计问题类别空间更开放、缺乏固定模板。论文称这是首个针对该能力的基准。
贡献与边界:贡献在于形式化任务、构建人工审核基准并提供 14 个模型基线,显示细粒度分类与变量识别仍是短板。边界:样本源自教材与案例库,场景改写由 GPT-5 生成,可能偏离真实用户语言;变量匹配依赖值完全相等,可能低估语义等价预测;评测限于零样本与提示策略,未覆盖微调。材料未给出误差分析或跨数据集泛化细节。
讲者简介
从鑫, 清华大学统计与数据科学系助理教授, 主要研究方向为人工智能、大语言模型、自主智能体、智能数据分析。曾在 ACL、ICLR、NeurlPS 等人工智能顶级国际学术会议或期刊上发表论文 40 余篇,Google Scholar 总引用 7000 余次。曾主持发布了大语言模型工具学习框架 ToolLLM、大语言模型驱动的自主智能体框架XAgent 等工作。 其中 ToolLLM 被 ICLR 2024 评选为 Spotlight 论文, XAgent 在世界影响力最大的开源平台 Github 上获得超过 8K 颗星标关注,受到了国内外众多知名学者和企业的高度评价。
Maintained by 陈星宇 · Homepage · Source