现代 AI Agent 编排技术全景（1）—— 分类体系与四大技术维度
本文介绍基于 LLM 的现代 Agent 分类体系与四大技术维度，形成能够刻画不同 Agent 产品架构特征的分类法
论文理解【LLM-OR】——【AlphaOPT】Formulating Optimization Programs with Self-Improving LLM Experien
针对 LLM-OR 问题建模任务，AlphaOPT 让 LLM从建模失败中总结经验，先在原问题上验证经验能否帮助纠错，再根据它在其他问题上的使用效果修正适用条件，并将这些经验存入可检索的经验库，帮助模型在不重新训练的情况下更准确地把自然语言问题转化为优化程序。
论文理解【LLM-Agent】—— 【ReAct】Synergizing Reasoning and Acting in Language Models
本文介绍LLM-agent领域的经典方法ReAct，它将LLM的自然语言推理能力和动作生成能力结合，使其同时适用于各类NLP和控制任务，并起到1+1>2的效果
论文理解【LLM-Agent】—— 【Reflexion】Language Agents with Verbal Reinforcement Learning
本文介绍 LLM agent 领域的经典方法 Reflexion，它通过引入 episodic memory 为 agent 提供长期记忆，在不微调模型的参数的同时实现了基于上下文的试错学习，性能提升显著
论文理解【LLM-OR】——【OptMATH】A Scalable Bidirectional Data Synthesis Framework for Optimization Modeling
本文提出 LLM-OR 领域的双向数据合成框架 OptMATH，从已有 MF/PD 出发反向生成 NL，再使用 AutoFormulator 进行正向建模，通过最优值匹配 rejection sampling 确保语义一致性。实现了难度可控的语义一致数据合成
论文理解【LLM-Agent】——【SkillOpt】Executive Strategy for Self-Evolving Agent Skills
SkillOpt 将 agent skill 从人工或一次性 prompt artifact 转化为可验证、可控、可迁移的文本空间“可训练状态”，通过有界编辑、验证门控、拒绝编辑反馈和 slow/meta update，在不更新模型权重的情况下显著提升多类 agent 任务表现
论文理解【LLM-OR】——【LLMOPT】Learning to Define and Solve General Optimization Problems from Scratch
针对 LLM-OR 任务，传统端到端直接生成方法的准确性与问题类型泛化受限；LLMOPT 引入五要素通用表述 + 多指令微调 + KTO 对齐 + 自动测试自纠错的学习式流程，从自然语言描述出发更稳健地定义并求解多类优化问题，在六个真实数据集上取得平均 11.08% 的准确率提升
LPSolversandLargeLanguageModels/index.png)
论文理解【LLM-OR】——【OptiMUS】Scalable Optimization Modeling with (MI)LP Solvers and Large Language Models
OptiMUS 把 “自然语言 → 优化建模与求解” 从单次生成改造成 “结构化问题 + 多智能体协作 + 连接图检索” 的模块化流程，并在更长更难的数据集上验证了这种结构化方法相对端到端 prompting 的优势
