Hugging Face 博客介绍了 ALTK-Evolve 方法，它通过分析智能体任务尝试并提炼行为规则加入系统提示词，在无需更新模型权重的情况下，使基于 GPT-4.1 和 GPT-5.5 的基础 ReAct 智能体在 τ²-bench 客服基准的零售与航空任务中登顶或超越现有微调及前沿模型。该方法通过增加少量输入提示词成本，在不增加对话轮次的前提下大幅提升了准确率与 Pass^4 稳定性。
推荐理由：该方法通过提炼行为规则并加入系统提示词，在无需更新模型权重的情况下显著提升了智能体在客服基准上的准确率与稳定性，为优化智能体性能提供了一种低成本且可迁移的提示词工程路径。
Microsoft 在 Hugging Face 发布 ThinkingBox，这是一个通过评估 AI 智能体在隔离环境中对后端数据库产生的实际状态变更来衡量其可靠性的基准。该基准包含 507 个业务工作流任务，通过 20 次重复运行测试模型的一致性，发现多数模型在单次成功率与多次重复成功率之间存在显著差距，并指出约 80% 的失败源于工具处理而非推理能力。
推荐理由：该研究通过评估 AI 智能体在业务工作流中对数据库状态的实际影响而非仅关注对话内容，揭示了模型在可靠性与一致性上的差距，为智能体评估提供了新的可执行基准。
ServiceNow CoreAI 推出的 AutoSynthData 框架通过分析目标模型在特定环境中的失败案例，利用更强的教师模型生成并验证针对性的训练任务，从而构建高质量的合成数据集。该方法在 EnterpriseOps Gym 的 Hybrid 和 ITSM 环境中实验显示，通过该流程生成的合成数据进行微调，能有效提升智能体的任务完成能力。
推荐理由：该研究提出了一种将模型在特定环境下的失败转化为训练数据的自动化流程，通过生成、验证和修复机制构建高质量数据集，为提升智能体在复杂环境中的表现提供了可迁移的训练方法。