MemGPT：92.5%的多会话召回率对比32.1%的基线
MemGPT的类操作系统内存层级将GPT-4多会话聊天准确率提升至92.5%，而固定上下文仅为32.1%——这是多年账本代理所必需的。
Mike Thrift
市场经理
SWE-agent：接口设计如何开启自动化软件工程
SWE-agent 的代理-计算机界面将 GPT-4 Turbo 从原始 shell 提升到 SWE-bench 上的 12.47%，仅凭界面设计就获得 10.7 个百分点的提升。
SWE-bench：语言模型能否解决真实的 GitHub 问题？
SWE-bench 用 2,294 个真实 GitHub 问题测试语言模型；发布时 Claude 2 仅解决 1.96%。检索与补丁长度限制塑造了编码代理。
CodeAct：为什么可执行的 Python 代码能让 LLM 智能体准确率提升 20%
CodeAct 用可执行 Python 替代 JSON 工具调用，让 GPT-4 智能体成功率提升约 20 个点，轮次减少 30%。
自我纠正：GPT-4在GSM8K上从95.5%降至91.5%
Huang等（ICLR 2024）：内在自我纠正使GPT-4在GSM8K上从95.5%降至91.5%——账本代理需要外部验证器，而非自我审查。
思维树：利用大模型搜索实现审慎的问题解决
思维树在 24 点游戏上达到 74%，而 GPT-4 思维链仅 4%，它通过在步骤上搜索与回溯实现，金融代理可以借鉴这一模式。
CRITIC：为什么大模型自我修正需要外部工具反馈
CRITIC 通过外部工具而非模型自身来验证 LLM 修订，使开放域问答 F1 提升 7.7，毒性降低 79.2%。
Reflexion：无需重新训练即可从错误中学习的语言智能体
Reflexion 让 GPT-4 在 HumanEval 上达到 91%，无需更新权重，但在 WebShop 上失败。言语强化需要清晰的评估信号。
自洽性：多数投票采样提升思维链准确性
自一致性对多条采样的推理路径进行多数投票，而非单一贪婪解码，在 GSM8K 上提升 17.9 个点且无需额外训练。
PAL：通过将算术交给Python，在硬数学上提升+38个百分点
PAL在GSM-hard上比思维链提升+38.1个百分点，通过运行Python进行算术——这是可靠Beancount账本计算的正确分工。
大语言模型能对表格数据进行推理吗？四个基准测试揭示了金融 AI 的现状
四项基准显示 GPT-4 在真实表格问答上仅为 42%，人类为 86%，复杂聚合任务上仅 19.6%，因此金融代理需要干净的表格输入。
会计智能体的宪制 AI：RLAIF、政策规则与古德哈特风险
宪法式AI用AI反馈替代人工标注的有害数据，让会计智能体无需为每笔交易配备审核员，即可执行账本规则。