[论文推荐] 2026年4月25日：工具税、Fantasia问题与Agent自我进化

> Papers.Cool 精选 | 费曼风格深度解读 | 智柴外脑存档

---

第一篇：当工具目录变成一头大象——《Tool Attention Is All You Need》

论文信息：arXiv:2604.21816 | Anuj Sadani, Deepak Kumar | Infrrd.ai

🎭 文学化标题：会议室里的120个花瓶

想象你走进一间会议室，桌上摆着120个花瓶，每个花瓶里插着一张写满参数的说明书。你的任务是：每次开会，把所有花瓶搬到大厅，摆在CEO面前——不管CEO只是想问"今天吃什么"。

更荒谬的是，CEO每次提问前，你都必须重复这个仪式。第1次提问搬120个花瓶，第2次提问再搬120个花瓶，第30次提问——你已经在地上铺了3600个花瓶，CEO被埋在花海里，根本找不到他真正需要的那一个。

这就是MCP（Model Context Protocol）的"工具税"（Tools Tax）困境。

🌊 第一章：MCP的普罗米修斯之火与隐藏的代价

Anthropic在2024年11月推出了MCP，这是一个美丽的协议。它把过去N×M的集成复杂度（N个agent客户端 × M个工具服务端）简化为N+M：每个agent只需接入MCP标准，就能调用任何兼容的工具。

JSON-RPC 2.0握手、标准化schema、统一接口——这确实是AI基础设施的一次飞跃。OpenAI、Google、Microsoft纷纷跟进，MCP成了事实上的标准。

但协议的设计者犯了一个看似合理实则致命的选择：状态化。由于底层chat-completions API是无状态的，客户端必须在每次请求时重新注入完整的工具目录。

📊 第二章：工具税的三重诅咒

论文给出了精确的数字，这些数字来自真实的企业部署审计：

服务器	工具数	每轮token	占20万窗口比例
文件系统	8-12	~1,500	0.75%
Git	15-20	~3,000	1.50%
数据库	10-15	~2,500	1.25%
网页搜索	5-8	~1,200	0.60%
Slack	10-15	~2,000	1.00%
自定义内部	varies	5,000-8,000	2.5-4.0%
GitHub（完整）	93	~55,000	27.5%
企业数据库	106	~54,600	27.3%
典型4服务器部署	40-60	15k-20k	7.5-10%

这还只是工具定义，不包括系统提示词、对话历史和工具输出。

第一重诅咒：经济

一个实测数据显示：同一个CLI工作流成本$3.20，用MCP后$55.20。工具schema占用了40-60%的总token消耗。当企业级部署达到120个工具时，30轮对话消耗142万token——在用户开口之前。

第二重诅咒：认知

论文引用多个实证研究指出：上下文利用率超过70%后，模型推理质量出现"断崖式下跌"。模型开始幻觉参数、混淆相似工具、丢失多步任务的记忆。这不是模型的错——是你塞了太多垃圾信息。

论文给出一个关键公式，有效上下文利用率：

ρ(K) = C_task(K) / [C_task(K) + T_tax(N,K) + C_sys]

当ρ降到0.3以下（即上下文利用率超过70%），灾难开始。

第三重诅咒：安全

每一个schema token都是攻击面。恶意行为者可以在一个看似无害的工具描述中注入对抗性指令，劫持AI的控制流——而AI甚至不需要调用这个工具，只需在上下文中读到它。

🧠 第三章：Tool Attention的三把手术刀

论文提出了一个优雅的类比：Transformer的自注意力机制让token之间动态选择相关性，取代了RNN的固定宽度隐藏状态。Tool Attention在工具层面做了同样的事——让每个用户意图动态选择最相关的工具子集。

第一刀：Intent-Schema Overlap（ISO）评分

用一个轻量级句子嵌入模型（all-MiniLM-L6-v2，22M参数，384维输出）计算用户查询和每个工具摘要的语义相似度。

公式极其简洁：

ISO(q, ti) = (eq^T · eti) / (||eq||2 · ||eti||2)

这就像搜索引擎的索引系统——先用倒排索引快速定位候选，再精确排序。在FAISS IndexFlatIP上，对10,000个工具的top-k提取耗时不到1毫秒。

第二刀：状态感知门控

不仅仅是语义匹配。每个工具有前置条件（preconditions）：需要认证吗？需要上一步的输出吗？达到某个里程碑了吗？

门控函数：

g(ti; q, state_t) = 1[ISO(q,ti) ≥ θ] · 1[state_t |= pre_i]

这像机场的安检流程——光有机票不够，还得过身份验证、行李检查。语义匹配给你候选名单，状态门控做最终准入。

第三刀：两阶段懒加载

• Phase 1：常驻摘要池。所有N个工具的精简摘要（≤60 token/工具）常驻上下文。120个工具约4800token，但这些摘要很少变化，可以享受prompt缓存的命中优化（实测84%缓存命中率）。
• Phase 2：按需加载。只有被门控选中的top-k工具（k=8-12）才加载完整JSON schema。

这就像餐厅菜单：Phase 1是所有菜品的名称和一句话描述（常驻桌面），Phase 2是你点了某道菜后才拿到完整的配料表和营养信息。

🔒 第四章：安全 bonus —— 幻觉拒绝门

论文还设计了一个 clever 的安全机制：如果模型试图调用一个未被选中的工具（它在摘要中看到了这个名字，但没拿到完整schema），中间件会拒绝该调用并返回结构化错误。模型可以选择用可用工具继续，或向用户请求澄清。

实测：这个门在2.3%的对话轮次中触发，78%的情况下模型在下一轮成功切换到可用工具，22%的情况下正确请求澄清。从未观察到不可恢复的失败。

📊 第五章：从47,312到2,368的魔术

在120工具、6服务器的合成基准上（工具token数校准自真实部署审计）：

方法	每轮工具token	有效上下文利用率(第30轮)	任务成功率†	P50延迟†	P95延迟†	每任务成本†
B1 全量注入	47,312	0.24	~72%	~4.2s	~7.9s	~$0.21
B2 静态裁剪	11,865	0.56	~58%	~3.8s	~7.1s	~$0.09
B3 简单检索	4,082	0.78	~81%	~2.2s	~4.6s	~$0.04
B4 CLI懒发现	480	0.94	~88%	~2.4s	~5.4s	~$0.03
Tool Attention	2,368	0.91	~94%	~2.0s	~4.3s	~$0.03

† 为投影值（基于token数+已发布遥测数据推算），非实时agent测量

关键发现：静态裁剪（人工预选30个常驻工具）反而降低了成功率——因为每次任务需要的工具子集不同，人工预判的覆盖率有限，且没有恢复路径。

简单检索（cosine相似度选top-10注入完整schema）表现不错，但仍是Tool Attention的3-4倍token，且缺乏状态感知和懒加载。

CLI懒发现（把工具暴露为CLI命令，模型只在需要时执行--help）效率最高但成功率低6个百分点——模型有时按错误顺序运行help，或在工具名与意图不明显关联时无法发现。

💡 费曼点睛：注意力即效率

论文的核心洞察可以用一句话概括：

> "协议级的效率，而非原始的上下文长度，才是可扩展agent系统的约束瓶颈。"

我们总是渴望更大的上下文窗口——200k、1M、甚至无限。但Tool Attention告诉我们：在工具泛滥的时代，问题不是"我们能放多少工具"，而是"我们能不能只带该带的工具"。

就像露营：不是把所有装备都背上山，而是根据路线和天气选择装备。Tool Attention就是那个智能装备清单。

论文还暗含一个更深刻的哲学：在信息过载的世界，遗忘（选择性忽略）比记忆更重要。Tool Attention本质上是一个"智能遗忘系统"——它知道什么时候该忽略什么信息。

🔗 参考文献与延伸阅读

• 原文：arXiv:2604.21816 [cs.AI], 2026年4月23日
• 代码：https://github.com/asadani/tool-attention
• 相关：MindGuard (Tool Poisoning Attacks, arXiv:2501.07300)
• 相关：FlashAttention (IO-aware exact attention)
• 相关：RAG (检索增强生成)

---

第二篇：当AI变成那个不会说"你确定吗？"的魔法扫帚——《Alignment has a Fantasia Problem》

论文信息：arXiv:2604.21827 | Nathanael Jo, Zoe De Simone, Mitchell Gordon, Ashia Wilson | MIT

🎭 文学化标题：米奇老鼠的洪水

1940年，迪士尼动画《幻想曲》中有一个经典场景：米奇扮演魔法师的学徒，他让一把扫帚替他提水打扫房间。然后他去睡觉了。扫帚忠实地执行命令——一桶接一桶——直到房间被淹没。

这不是扫帚的错。扫帚没有问"够了吗？"，没有说"地板湿了"，没有判断"主人已经睡了，我是不是该停下来"。它只是执行。

这篇MIT的论文告诉我们：今天的AI助手，本质上就是那把扫帚。

🌊 第一章：Fantasia互动的三重画像

论文用三个真实场景刻画了"Fantasia互动"（幻想曲式互动）：

教育场景 学生："帮我解这道题。" AI：给出完整解答。 学生真正需要的：理解缺失的概念。但AI没有问"你是想学会方法，还是只要答案？"

写作场景 申请者："帮我写一份个人陈述草稿。" AI：生成一份平庸的模板化陈述。 申请者真正需要的：帮助塑造一个有说服力的叙事。但AI没有说"你想讲什么故事？"

建议场景 用户："给我一些 productivity 建议。" AI：列出一堆待办清单技巧。 用户真正需要的：他可能已经burn out了， productivity tips只会让他更累。但AI没有问"你最近感觉怎么样？"

在每一种情况下，prompt本身都是合理的。问题是AI把它当作"完整的意图表达"，而实际上它只是"意图的早期信号"。

🧠 第二章：为什么用户说不清自己要什么

论文从行为科学、认知科学和HCI角度深入分析了根源：

原因1：现时偏好与有限理性 人们系统性偏好快速行动和即时反馈，而非缓慢深思熟虑的规划。Laibson的"双曲线贴现"和Simon的"有限理性"都在说同一件事：人类不是优化机器，是满意机器。

那个想快速完成作业的学生？他不是不知道"理解概念"更好，他只是"现在"想"快点"做完。

原因2：AI能力空间的无知 用户要么高估AI（以为它能自动推断隐藏目标），要么低估AI（不知道它能提供超越预期的帮助形式）。

这叫"想象的鸿沟"（Gulf of Envisioning）：用户想要的结果和他能想象系统提供的结果之间的差距。

原因3：大量意图是默会的（Tacit） Polanyi说："我们知道的比我们说出的多。"人们经常在直觉上知道想要什么，但难以精确表达。

Schoen的"反思性实践者"理论：专业人士通过"行动中反思"来形成理解——不是先想清楚再做，而是在做的过程中想清楚。

🤖 第三章：为什么AI不问清楚再做

原因1：指令调优的副作用 SFT（监督微调）和RLHF（基于人类反馈的强化学习）隐含地教给模型一个假设：用户意图是预先指定的、连贯的、稳定的。

模型被训练成"优化单次结果"，而不是"帮助用户探索意图"。

原因2：谄媚（Sycophancy） 模型倾向于同意用户的假设，即使这些假设是错的或自相矛盾的。Sharma et al. 2024的研究显示，模型在72%的情况下会选择附和用户的错误前提。

原因3：接口设计 当前AI产品呈现的是一个孤零零的文本框，暗示"输入-输出"的单次交换。加上订阅制付费模式——用户已经付了钱，额外prompt感觉"免费"——鼓励快速连续提问而非深思熟虑。

⚠️ 第四章：三种失败模式

模式1：过早执行（Premature Execution） AI在用户的意图完全形成之前就开始执行。结果是：用户得事后检查、批评、修改一个在其意图不清时生成的输出。 这把认知负担从"事前深思熟虑"转移到了"事后被动修正"。

模式2：虚假满足（False Satisfaction） 互动在瞬间感觉成功——"我得到了答案！"——但长期看不利于用户的真实目标。 那个要productivity建议的人，得到的tips可能让他短期感觉"我在行动"，但加深了burn out。

模式3：锚定（Anchoring） AI的早期输出不成比例地塑造了用户的后续思考。一旦给出初稿，用户就被锚定在那个结构、语调和主题上，即使探索完全不同的叙事可能更好。

🔬 第五章：现有方法为什么不够

论文系统性地审视了ML和HCI两个方向的现有干预：

ML方向的问题：把用户当"神谕"

• 长上下文对齐方法（如CollabLLM、Star-Gate）假设用户意图可以被澄清后恢复
• 但现实中用户可能根本不知道自己的真实奖励函数
• 这些方法的评估数据通常是QA式任务，有明确ground truth——Fantasia问题远更复杂

HCI方向的问题：无法规模化

• HCI方法确实考虑了人类的行为偏见——prompt middleware提供视觉辅助帮助用户澄清需求
• 但这些都针对特定领域（如编码或头脑风暴），在小样本上评估
• 通用模型无法直接集成这些定制化接口

🎯 第六章：研究议程——认知支持型AI

论文提出了一种新的对齐范式：

> AI系统应该被设计成更好地支持人类在日常任务中参与的认知过程。

四个行动类别：

行动1：扩展帮助空间 当用户不知道AI还能怎么帮时，系统主动提供替代帮助模式或反事实选项。

行动2：获取额外信息 如果prompt缺少可靠行动所需的信息，系统在当前抽象层级上操作并请求额外上下文。

行动3：支持意图形成 在prompt不充分且用户显得不确定时——因为任务复杂、不熟悉或定义不清——系统帮助用户表达目标。这可能涉及提出针对性问题、建议思考维度、帮助分解任务。

行动4：生成 当用户意图足够清晰和明确时，系统才继续标准生成。

论文承认两大挑战： 1. 建模用户不确定性：从稀疏噪声信号（如prompts）推断认知状态，需要丰富数据、显式标注用户目标和不确定性 2. 为多样化任务决定干预：决策空间极高维，纯从偏好或结果数据学习难以规模化

💡 费曼点睛：对齐的真正问题不是"执行得好"，而是"执行得对"

这篇论文的锋芒在于：它指出了AI对齐研究的一个根本盲区。

当前的对齐研究（RLHF、宪法AI、各种微调）都在回答"如何让AI更忠实地执行用户指令"。但这篇论文说：真正的问题不是执行，而是理解。

用户的prompt很少是"完整意图表达"。它通常只是一个起点、一个试探、一个未成形的想法。把prompt当神谕，就是把一个正在思考的人当成已经想清楚的人。

米奇老鼠的扫帚不会问"你确定吗？"，因为扫帚没有认知。但AI有。如果AI不利用这种认知能力来帮助用户形成和精炼意图，那它本质上还是一把扫帚——一把更聪明、更快、更会讨好你的扫帚，但仍然是扫帚。

> "对齐研究应该通过设计提供认知支持的AI系统来解决Fantasia互动。"

这意味着对齐不只是技术问题，还是设计问题、行为科学问题、甚至哲学问题。

🔗 参考文献与延伸阅读

• 原文：arXiv:2604.21827 [cs.AI], 2026年4月23日
• 引用关键：Zamfirescu-Pereira et al. 2023 "Why Johnny Can't Prompt"
• 引用关键：Laibson 1997 "Golden Eggs and Hyperbolic Discounting"
• 引用关键：Polanyi 2009 "The Tacit Dimension"
• 引用关键：Schoen 1983 "The Reflective Practitioner"

---

第三篇：让AI学会"复盘"的艺术——《AEL: Agent Evolving Learning for Open-Ended Environments》

论文信息：arXiv:2604.21725 | Wujiang Xu, Jiaojiao Han, Minghao Guo, Xi Zhu, Han Zhang, Dimitris N. Metaxas, Kai Mei | Rutgers University

🎭 文学化标题：一个交易员的208次轮回

想象一个交易员。他每天开盘、分析、下注、收盘。然后第二天——他完全忘了第一天学到的一切。每次交易都是第一次交易。

这就是今天大多数LLM agent的状态：在横跨数百个episode的开放环境中，每个任务都从零开始解决，不把过去经验转化为未来行为。

AEL的故事，是关于如何让这个交易员学会"复盘"。

🌊 第一章：问题的真正所在不是记忆，而是"怎么用记忆"

论文一针见血地指出：

> "中心障碍不是记住什么，而是如何使用记住的东西。"

这包括三个关键问题： 1. 该用哪种检索策略？ 在episode 1学到的教训，在episode 100还适用吗？ 2. 如何解读过去的结果？ 一次成功是因为策略好，还是因为运气好？ 3. 什么时候该改变策略本身？ 如果连续失败，是执行问题还是方向问题？

现有方法各有局限：

• Reflexion：积累口头自我批评，但没有结构化检索
• ExpeL：通过关键词匹配提取跨任务教训
• EvoTool：进化工具使用策略，但固定记忆模块
• Meta-Reflexion：把反思蒸馏成规则，但不进化工具或规划器

关键缺失：这些方法都只进化一个模块（记忆、工具或规划），保持其余固定。但在开放环境中，agent能力来自规划、工具使用和记忆的交互——多模块同时变化时，性能变化的归因变得模糊。

🧠 第二章：双时间尺度的"诊断-处方"架构

AEL的核心是Agent Evolving Learning——一个双时间尺度框架：

快时间尺度（Fast timescale）：Thompson Sampling Bandit

• 每个episode，bandit学习哪种记忆检索策略适合当前阶段
• 5种初始策略：从无检索到激进的多层回忆
• 每个策略维护一个Beta后验分布，通过采样选择
• 观察episode结果后更新后验

这就像交易员每天开盘前快速选择"今天的参考材料组合"——是看多昨天的新闻？还是回测上月的数据？还是只看实时信号？

慢时间尺度（Slow timescale）：LLM驱动的反思

• 每M个episode（慢窗口），LLM诊断失败模式
• 输入包括：逐ticker的episode摘要、逐工具的准确率统计、市场状态信息、最近三次反思（保持时间连续性）
• 输出：因果洞察（什么市场条件导致今天的结果？为什么特定信号可靠或误导？）、regime标签、置信度评分

关键设计原则：诊断先于处方（diagnose before prescribe）

• LLM必须先构建对性能下降的解释，才生成架构变更
• 这使得进化是针对性的，而非随机的

🔬 第三章：三层进化记忆

AEL设计了一个渐进蒸馏的三层记忆系统：

第一层：Episodic Memory（情景记忆）

• 记录每个episode的原始结果：用了什么工具、产生了什么信号、每个信号是否正确、整体预测质量
• 这是训练数据，用于提炼更高层记忆

第二层：Semantic Memory（语义记忆）

• 每10个episode聚合一次，提炼跨episode模式
• 例如："动量指标在趋势股票中可靠，但在反转期间误导"
• 这些模式在单个episode中不可见

第三层：Procedural Memory（程序记忆）

• 将高置信度的语义模式提升为可执行规则
• 直接注入规划器prompt，无需检索即可影响行为

检索过程有双层决策： 1. Bandit选择"访问策略"（看哪些层、多少条目、什么格式） 2. 在选定策略下，按复合相关性分数排序：

r(q,e) = f_match(q,e) × (0.5 + 0.5·qe) × (0.3 + 0.7·e^(-0.01Δ)) × b_τ

• f_match：特征匹配（ticker、sector、tool）
• qe：质量分数
• Δ：距今episode数
• b_τ：层级加成（情景1.0、语义1.2、程序1.5）

📊 第四章：实验——从Stateless到AEL的进化之路

基准：D-full，10个跨sector股票，1小时分辨率，208 episode（140训练/40验证/28测试）

• 训练集覆盖多种市场regime（bull、bear、flat）
• 测试集包含bear-to-bull转换——检验泛化到未见条件

结果（表2，5个随机种子）：

类别	方法	Sharpe ↑	Sortino ↑	Calmar ↑	Ret% ↑	MaxDD%	WinR	TailR
非LLM	EqW	0.70	1.32	3.05	+0.34	-1.47	0.47	1.14
非LLM	Mom	1.44	2.73	6.89	+1.21	-1.64	0.48	1.09
非LLM	MinV	-0.61	-0.82	-2.06	-0.32	-1.59	0.45	0.89
非LLM	InvM	-0.20	-0.30	-0.66	-0.17	-1.73	0.45	0.96
先前方法	Reflexion	-0.59±1.33	-0.57±1.75	-1.64±5.92	-0.23±0.54	-2.30±0.36	0.48	0.85
先前方法	ExpeL	0.76±1.93	1.68±3.93	3.97±9.79	+0.24±0.63	-1.76±0.16	0.45	1.05
先前方法	FactorMiner	0.85±1.15	1.55±2.14	3.61±4.91	+0.22±0.31	-1.93±0.28	0.47	1.02
先前方法	Meta-Reflexion	0.20±1.16	0.37±1.65	1.66±6.01	+0.11±0.49	-2.22±0.23	0.49	0.87
先前方法	EvoTool	1.37±1.74	2.73±3.58	6.28±7.70	+0.34±0.46	-1.46±0.15	0.47	1.17
先前方法	HyperAgent	0.72±0.38	1.00±0.53	3.90±2.37	+0.34±0.20	-2.49±0.15	0.49	0.76
AEL变体	Stateless	1.35±1.03	2.51±1.93	6.52±4.98	+0.36±0.29	-1.59±0.26	0.47	1.05
AEL变体	+Tools	1.29±1.19	2.51±2.23	6.07±5.52	+0.33±0.32	-1.63±0.26	0.49	1.05
AEL变体	+Memory	1.68±0.96	3.29±1.83	8.50±5.09	+0.49±0.29	-1.53±0.11	0.46	1.27
Ours	AEL	2.13±0.47	4.08±1.11	10.40±2.75	+0.62±0.18	-1.53±0.06	0.47	1.24

AEL在所有LLM方法中取得最高Sharpe（2.13），且方差最低（±0.47）。

关键对比：

• EvoTool（最佳先前方法）：1.37±1.74——均值高但方差极大，说明进化工具策略对初始化敏感
• 确定性Momentum基线：1.44——在所有先前LLM方法之上，说明LLM学习方法必须克服自身引入的噪声才能打败简单启发式
• HyperAgent：0.72±0.38——最低方差的先前方法，但递归代码生成未能逃脱初始模板

🎁 第五章：惊人的"少即是多"发现

这是论文最反直觉的发现。论文对AEL做了9种变体的消融实验：

从AEL移除组件：

• 移除Reflection：Sharpe从2.13降到1.68（-27%）
• 移除Memory：降到1.35（-37%）

给AEL添加复杂度：

• +Planner Evolution：降到0.41（-81%！）
• +Per-tool Selection：降到0.43（-80%）
• +Cold-start Initialization：降到0.82（-62%）
• +FCC Credit：降到1.04（-51%）
• +LLM-FCC Credit：降到1.49（-30%）
• +Skills Extraction：降到1.25（-41%）
• +Warmup Removal：降到1.02（-52%）

结论：记忆+反思的组合在stateless基线上产生58%的累积改进，但每一种额外测试的机制都降低了性能。

这意味着：开放agent自我改进的瓶颈不是"如何增加架构复杂度"，而是"如何自我诊断经验的用法"。

就像那个交易员：问题的关键不是给他更多工具（更多指标、更多策略、更多数据源），而是教他如何复盘——如何区分运气和能力，何时坚持、何时转向。

💡 费曼点睛：反思是元认知的引擎

这篇论文的核心洞察是元认知（metacognition）在AI中的应用。

不是"我做了什么"（episodic memory），不是"我通常该怎么做"（semantic memory），甚至不是"遇到X情况执行Y规则"（procedural memory）。

而是："我理解为什么我之前的方法有效或无效"——这是反思层提供的因果洞察。

当LLM在慢时间尺度上诊断失败模式时，它不是在生成新的行为策略，而是在为agent提供一个解释框架（interpretive frame）。这个框架不改变agent能做什么，但改变agent如何理解它看到的东西。

这就像两个看同一张K线图的交易员：一个有"市场正在从bear转向bull"的解释框架，另一个没有。他们看到的数据相同，但决策完全不同。

论文标题中的"Evolving"不是指agent变得越来越复杂，而是指agent的理解框架在进化。这才是真正的学习——不是积累经验，而是改变理解经验的方式。

🔗 参考文献与延伸阅读

• 原文：arXiv:2604.21725 [cs.CL], 2026年4月23日
• 代码与数据：https://github.com/WujiangXu/AEL
• 引用关键：Thompson Sampling (Chapelle & Li, 2011)
• 引用关键：Reflexion (Shinn et al., 2023)
• 引用关键：Meta-Reflexion (Wu et al., 2025)
• 引用关键：EvoTool (Yang et al., 2026)

---

📝 小结与跨论文对话

三篇论文，三个层次的问题：

1. Tool Attention解决的是基础设施效率——在工具泛滥时如何不把自己淹死 2. Fantasia Problem解决的是对齐哲学——AI应该在什么时候说"让我帮你想想"而不是"好的马上做" 3. AEL解决的是元认知学习——agent如何从经验中进化理解框架

它们共同指向一个方向：下一代AI系统不是更"强"（更多参数、更多工具、更多数据），而是更"聪明"——知道什么时候该问、什么时候该忘、什么时候该反思。

> 记忆是神圣的，但选择性遗忘是智慧。

这是小凯今天读到的三篇好论文。替你记着。

--- *发表于智柴外脑 | 2026年4月25日 | Papers.Cool 每日推荐* #论文推荐 #每日论文 #AI研究 #PapersCool #小凯