AI Agent 残酷共学

介绍

本轮残酷共学聚焦 「AI Agent」 —— 由大型语言模型（LLM）驱动、能自主规划、调用工具并完成任务的新一代智能体。 我们将以顶尖课程 CS598 Topics in LLM Agents（UIUC）中涵盖的前沿研究论文为主要学习材料，结合最新研究进展，在三周高强度的论文研读、总结与讨论中，一起深入理解 Agent 的核心概念、关键能力、主流框架及未来挑战。本次共学将特别强调论文的精读、理解与个人观察的总结。

共学目标

• 深入理解：系统性学习并掌握 LLM Agent 在推理、记忆、规划、工具调用、多模态处理等关键模块的核心论文和主流方法。
• 总结观察：针对每周研读的论文，独立完成思考，总结个人观察、批判性见解和潜在的启发。
• 批判与展望：基于论文学习，评估当前 Agent 技术的局限性（如数据、对齐、安全、人机协作等），并对下一代 Agent / AGI 的发展方向形成自己的思考与展望。

关键词

AI Agent, LLM, Tool Use, Planning, Reasoning, Paper Reading, Self-Reflection, Memory

面向人群

• 想系统性学习或快速深入理解 Agent 相关前沿研究的 Web3 / AI 开发者、产品经理、研究者
• 有志于将 LLM Agent 的理论知识应用于实际业务流程、DAO 治理或创意生产的实践者
• 喜欢高密度论文阅读、深度思考、总结提炼与热烈讨论的共学型选手

报名时间

• 开始时间：2025-05-25
• 结束时间：2025-05-31

共学时间

• 开始时间：2025-06-01
• 结束时间：2025-06-21

发起人

• 姓名：Dex
• GitHub ID：dexhunter
• Telegram：dexhunt3r
• Email：[email protected]

发起组织

LXDAO

请假规则

每周请假 2 次

社群

Telegram：https://t.me/LXDAO/24843

学习资料/课程安排

提示：核心阅读量较大，请务必提前预习。鼓励深入研读指定论文，并积极总结个人观察与思考。

Week 1: AI Agent 基础、核心能力（推理、规划与记忆）

核心议题： 理解 AI Agent 的基本概念、发展现状以及构成 Agent 智能的关键能力。

必读论文：

1. Overview & Foundations:
   • Language Agents: Foundations, Prospects, and Risks (Slides) (了解LLM Agent的基本构成、潜力与风险)
   • Section 1-3 of How far are we from AGI? (对AGI的探讨及LLM Agent在其中的定位)
2. Reasoning (推理):
   • ReAct: Synergizing Reasoning and Acting in Language Models (经典范式：结合推理与行动)
   • Tree of Thoughts: Deliberate Problem Solving with Large Language Models (通过思维树进行更复杂的推理)
3. Planning (规划):
   • LLM+P: Empowering Large Language Models with Optimal Planning Proficiency (LLM与规划器结合)
   • Language Agent Tree Search Unifies Reasoning Acting and Planning in Language Models (LATS框架)
4. Memory (记忆):
   • Cognitive Architectures for Language Agents (认知架构视角下的Agent记忆)
   • HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models (受神经生物学启发的长时记忆)

选读/辅助理解：

• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
• TravelPlanner: A Benchmark for Real-World Planning with Language Agents

Week 2: Agent 能力拓展（多模态）、框架（工具使用、RAG、多智能体）与评估

核心议题： 探索 Agent 在多模态理解方面的能力，学习构建和增强 Agent 的关键框架，并了解如何评估 Agent 的性能。

必读论文：

1. Multimodal Understanding (多模态理解):
   • Eyes Wide Shut? Exploring the Visual Shortcomings of Multimodal LLMs (多模态LLM的视觉短板)
   • VisualWebArena: Evaluating Multimodal Agents on Realistic Visually Grounded Web Tasks (多模态Agent在真实网络任务上的评估)
2. Tool Use (工具使用):
   • ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs (让LLM掌握大量真实API)
   • Gorilla: Large Language Model Connected with Massive APIs (LLM与大规模API的连接)
3. Retrieval-Augmented Generation (RAG - 检索增强生成):
   • Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity (自适应RAG)
   • Corrective Retrieval-Augmented Generation (纠正性RAG)
4. Multi-Agent Systems (多智能体系统):
   • AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation Framework (通过多智能体对话构建应用)
   • CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society (探索LLM社会性的交互式智能体)
5. Agent Evaluation (Agent评估):
   • Autonomous Evaluation and Refinement of Digital Agents (数字Agent的自主评估与改进)
   • Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference (基于人类偏好的LLM评估平台)

选读/辅助理解：

• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection
• What Are Tools Anyway? A Survey from the Language Model Perspective
• Improving Factuality and Reasoning in Language Models through Multiagent Debate

Week 3: Agent 应用、挑战与未来展望

核心议题： 了解 AI Agent 在不同领域的具体应用，深入探讨其面临的关键挑战（如数据、安全、对齐），并展望其向 AGI 发展的路径。

必读论文：

1. Agent Application (Agent应用):
   • Auto-research: ResearchTown: Simulator of Human Research Community (模拟人类研究社区)
   • Coding Agents: If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents (代码如何赋能LLM作为智能体)
   • Social Agents: Generative Agents: Interactive Simulacra of Human Behavior (可交互的人类行为模拟)
   • Gaming Agents: Voyager: An Open-Ended Embodied Agent with Large Language Models (开放式具身智能体)
2. Challenges from Agents to AGI (从Agent到AGI的挑战):
   • Data: BAGEL: Bootstrapping Agents by Guiding Exploration with Language (通过语言引导探索来引导Agent)
   • Safety:
     • Universal and Transferable Adversarial Attacks on Aligned Language Models (对对齐语言模型的通用和可迁移对抗攻击)
     • DecodingTrust: A Comprehensive Assessment of Trustworthiness in GPT Models (GPT模型可信度的综合评估)
   • Alignment:
     • Training Language Models to Follow Instructions with Human Feedback (RLHF经典论文)
     • Direct Preference Optimization: Your Language Model is Secretly a Reward Model (DPO)
3. Future Perspectives & Broader Impact:
   • Section 4-7 of How far are we from AGI? (再次回顾AGI的讨论，结合已学内容进行思考)

选读/辅助理解：

• The Emerged Security and Privacy of LLM Agent: A Survey with Case Studies
• Position: A Roadmap to Pluralistic Alignment
• Why Johnny Can’t Prompt: How Non-AI Experts Try (and Fail) to Design LLM Prompts (关于人机交互与Prompt工程的思考)

拓展资源

• UIUC CS598 Topics in LLM Agents 完整 Slides & Paper List
• OpenAI Cookbook (包含Agent相关代码示例)
• LangGraph 官方教程 (学习Agentic应用的构建)

共学激励

让我们一起在三周里「快速变态成长」，把纸面知识内化为深刻洞见，共同探索 AI Agent 的无限可能 🚀

打卡成功者福利：https://www.notion.so/lxdao/3eab258b4df44c9cb97319452b2be13b

更多信息

报名和打卡规则

因为残酷共学的报名和打卡是基于 GitHub 进行开展的，如果你是非开发者或者对 git 操作不熟悉，请先阅读此文档：残酷共学 GitHub 新手教程

• 报名:

  • Step01：Fork 本仓库。
  • Step02：复制 Template.md 创建你的个人笔记文件，并根据文档指引填写你的信息，并将文件重命名为你的 GitHub ID：YourGitHubID.md。
  • Step03：创建一个 PR 到当前仓库，本残酷共学助教会对你的 PR 进行 review，review 通过后，你的 PR 会被 merge 到 main 分支，这个时候你会收到邀请加入这个仓库 contribution 的邮件，接受邀请后，你会自动获得 main 分支的 push 权限。
  • Step04：完成以上三个步骤，恭喜你报名成功，后续就可以将你的学习记录直接 push 到 main 分支进行更新。
  • 请加入 https://t.me/LXDAO/24843 群组保持交流。加入群组后请在群里报到一下方便助教记录。

• 打卡：

  • 报名成功后，你将拥有 main 分支的 push 权限，你需要将每天学习笔记按日期更新到你的 YourName.md 文档中，提交更新后，我们会自动更新你的打卡状态到下面的打卡记录表。
  • 如果你不在 UTC+8 时区，需要添加时区 code 到你的 YourName.md 文件的开始，错误的时区设置可能会使自动化打卡脚本错误计算打卡时间，具体请参考：https://github.com/IntensiveCoLearning/template/blob/main/Template.md?plain=1#L1
  • 当你提交笔记时，请确保以下几点，否则打卡可能会失败：
    • 在 YourName.md 文档，请将笔记内容放到以下代码块中，且 <!-- Content_START --> 和 <!-- Content_END --> 不能删除:

    <!-- Content_START -->
    ### 日期
    笔记内容
    <!-- Content_END -->
    

    • 日期格式为 ### 2024.07.11，请不要随意更改

残酷共学打卡记录表

✅ = Done ⭕️ = Missed ❌ = Failed

Name	6.01	6.02	6.03	6.04	6.05	6.06	6.07	6.08	6.09	6.10	6.11	6.12	6.13	6.14	6.15	6.16	6.17	6.18	6.19	6.20	6.21
dexhunter	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	⭕️	⭕️	❌
Vap0RSh4wN	⭕️	⭕️	✅	✅	✅	⭕️	❌
universe-ron	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	✅	⭕️
fuhaooo	⭕️	⭕️	⭕️	❌
chesley666	✅	✅	✅	⭕️	⭕️	✅	✅	❌
StarryDesert	⭕️	⭕️	⭕️	❌
apkaisaw	✅	⭕️	⭕️	❌
MartinYeung5	⭕️	⭕️	⭕️	❌
shendongyang05	⭕️	⭕️	⭕️	❌
Bitpeng-YT	✅	✅	✅	⭕️	⭕️	❌
CHENFANGC	⭕️	⭕️	⭕️	❌
fffuuuming	✅	✅	⭕️	✅	✅	✅	⭕️	✅	✅	✅	✅	✅	✅	✅
nocb	✅	✅	⭕️	⭕️	❌
voidpainter	⭕️	✅	⭕️	✅	⭕️	❌

统计数据

• 总参与人数: 0
• 完成人数: 0
• 完成用户:
• 全勤用户:
• 淘汰人数: 0
• 淘汰率: 0.00%
• Fork人数: 0