AGI 助手正在从「文本生成器」转向「自治经济参与者」。本文用 5 个主题把 10 篇 arxiv 论文串起来：Agent-OS 范式 / 多 Agent 架构 / 评测体系 / 个人 AI 助手 / 检索与上下文。每篇论文给出一段精简中文摘要 + arxiv 链接 + 关键作者与年份，方便快速建立全景认知。

阅读这份速读，你可以快速得到三类收获：第一，看清 Agent-OS 与多 agent 协作的工程化范式；第二，了解评测体系如何从「答对率」扩展到能效、稳健性、时延；第三，理解个人助手在隐私与延迟上的最新研究取舍。所有论文均可在 arxiv 上免费获取，本文不依赖任何内部管理字段。

论文原文均来自 arxiv，公开可访问。本文不引用任何内部管理字段。

〇、为什么是这 5 个主题

2024-2026 年的 AGI 助手研究，明显呈现出五条主线收敛的态势：

  • 运行时系统化：不再把 agent 当成 prompt hack，而是当作有运行时治理的 OS 来设计（OS-Copilot、Sovereign-OS）。
  • 多 agent 协作主流化：从单一 agent 转向多角色协作 + 协议化通信（MCP、A2A），并与传统合规制度对接（保险业）。
  • 评测范式重构：从静态 benchmark 走向任务编排、人类演示、能效度量等多维度框架（OS-Marathon、SWEnergy）。
  • 个人助手的三重约束：隐私、时延、个性化。GOD 用 TEE + 数据飞轮回应前两者，Plan Reuse 用 93.12% 的时延下降直接击中体验痛点。
  • 检索范式演进：从 RAG 到 GenIR，信息生成与信息合成两范式正在重塑「信息访问」的根本定义。

下面按这五条主线展开。

一、Agent-OS 范式：从通用计算机到运行时治理

把 agent 当成「操作系统」来设计，是 2024-2026 年最明显的范式跃迁——不再把 agent 当成「一个提示词工程」，而是给它们一套运行时治理、可审计与可执行边界。这一类研究共同回答的问题是：当 agent 拥有真实账户、真实预算、真实写权时，谁替它兜底？

1.1 OS-Copilot：通用计算机 agent 与自我改进

  • 作者：Zhiyong Wu, Chengcheng Han, Zichen Ding · 2024
  • arxiv：2402.07456v2

【做了什么】提出 OS-Copilot 框架，把网页、终端、文件、多媒体、第三方应用统一纳入同一个 agent 抽象；并基于该框架实现具身 agent FRIDAY，演示「跨域泛化 + 自改进」。
【怎么做的】让 FRIDAY 以自改进方式在 OS 域中累积技能，覆盖从应用到 Excel、Powerpoint 的控制；OS-Copilot 把异构 OS 资源统一在同一个 harness 下。
【结果】在 GAIA 基准上 FRIDAY 相对此前方法高 35%，并展现出对未见应用的强泛化能力。
【落地价值】为面向全栈 OS 能力的 AGI 助手提供「通用化 + 自改进机制」参考。

1.2 Sovereign-OS：宪章式运行时与财政治理

  • 作者：Aojie Yuan, Haiyue Zhang, Ziyi Wang · 2026
  • arxiv：2603.14011v1

【做了什么】Sovereign-OS 是「治理优先」的运行时 OS，把每个自治 agent 的动作置于「宪法式」控制下，补齐运行时财政治理与可审计性的空白。
【怎么做的】声明式 Charter（YAML）定义任务边界；CEO 把目标拆成依赖感知的任务 DAG；CFO 通过拍卖式竞价引擎按预算上限、日消耗、盈利底线把关；Worker 在 TrustScore 治理的「赚得式自治」下运行；Auditor 用 SHA-256 封缄报告；底层接 Stripe 做真实支付。
【结果】阻断 100% 财政违规（30 场景）、权限门控 94% 正确率（200 任务）、1,200+ 审计报告零完整性失败。
【落地价值】为「自治经济参与者」引入宪章式治理、链上可验证审计与财政自律，契合强合规场景。

二、多 Agent 架构：受监管行业与编程助手

当 agent 进入企业核心流程，「多 agent 协作」和「角色化分工」不再是可选项，而是合规、可控、可解释的基础设施。两篇入选论文分别代表「垂直合规」与「横向编程」两条最热门的落地路径。

2.1 受监管保险公司的多 Agent AI 架构

【做了什么】针对受监管保险公司提出形式化多 agent AI 架构，把经济学理论与制度设计结合，落脚于奥地利/德国 Solvency II 与 AI Act 语境。
【怎么做的】综合 Arrow 的风险池化理论、Nash 均衡、委托-代理理论；保险公司被拆成资本管理、核保、理赔、合规、反欺诈、客户交互等专业 agent；Orchestrator 在 Solvency II、AI Act、IDD 下强制监管一致性；协议层用 MCP + A2A 双层通信。
【结果】得到一套系统化设计、合规且可审计的多 agent 方法论。
【落地价值】给受监管金融行业落地企业级 agent 架构提供范式参考。

2.2 多 Agent LLM 编程助手的上下文工程

【做了什么】针对 LLM 在复杂多文件项目常因上下文不足失效的问题，提出「意图澄清 + 语义检索 + 文档合成 + 多 agent 代码生成」的上下文工程工作流。
【怎么做的】Intent Translator（GPT-5）澄清用户需求；Elicit 驱动的语义文献检索注入领域知识；NotebookLM 做文档合成；Claude Code 多 agent 框架负责生成与验证。
【结果】在真实仓库上一次性成功率高于单 agent 基线；在 Next.js 大型代码库展示少人工介入地规划、编辑、测试。
【落地价值】把外部检索、文档合成与多 agent harness 串成可复用工作流模板。

三、评测体系：从基准测试到能效度量

agent 的能力评测正在从「能不能答对」扩展到「能效、鲁棒性、时延、可重复使用」——评测体系本身就是研究主战场。三篇入选论文分布在不同尺度：基准广度、能耗经验、整体框架。

3.1 OS-Marathon：远大视野重复任务基准

  • 作者：Jing Wu, Wenjie Ai, Daphne Barretto · 2026
  • arxiv：2601.20650v3

【做了什么】建立 OS-Marathon 基准，专门评估 computer-use agent 在「远大视野、重复性」工作流上的能力——例如批量处理报销凭证、把 PDF 批注归档为结构化笔记。
【怎么做的】覆盖 5 场景、10 领域共 100 个任务；在主流 SOTA CUA 上跑评测，尝试 per-instance 子任务分解，最后提出 GraphDemo——基于单次人类演示的低成本个性化策略。
【结果】SOTA CUA 在远大视野任务上显著挣扎；朴素任务分解会让错误在子 agent 间累积传播；GraphDemo 借助人类演示获得实质性提升。
【落地价值】给「长链路重复流程」AGI 助手能力建立可复现评测入口。

3.2 SWEnergy：SLM 上的 agent 能效实证

  • 作者：Arihant Tripathy, Ch Pavan Harshit, Karthik Vaidhyanathan · 2025
  • arxiv：2512.09543v2

【做了什么】把四个「自治型 issue 解决」框架（SWE-Agent、OpenHands、Mini SWE Agent、AutoCodeRover）限定到 SLM，在 SWE-bench Verified Mini 做受控实证，比较性能与能效。
【怎么做的】使用 Gemma-3 4B 与 Qwen-3 1.7B 两种 SLM，对四个框架在固定硬件上跑 150 次/配置，测量能耗、时长、token 用量与内存。
【结果】框架架构是能耗主导因素：最耗能的 AutoCodeRover（Gemma）平均能耗是最低的 OpenHands（Gemma）的 9.4 倍；但能耗几乎全是浪费，任务解决率接近零。
【落地价值】明示结论：「能不能解决」的瓶颈在 SLM 推理能力，「耗不耗电」的瓶颈在框架架构，必须从被动编排转向主动管理弱点的架构。

3.3 AI Agent 综述：演进、架构与整体评估框架

【做了什么】综述 AI agent 从早期规则形态到 LLM + 感知/规划/工具使用模块的现代复杂系统演进。
【怎么做的】回顾关键 agent 范式，指出当前评测基准局限，提出在 task effectiveness、efficiency、robustness、safety 之间取得平衡的「整体评估框架」；并分析企业、个人助理、专业领域内的应用。
【结果】给出一份兼顾理论与落地的 agent 综述 + 可比研究工具。
【落地价值】为通用 AGI 助手端到端能力维度提供方法论参考。

四、个人 AI 助手：隐私、时延与个性化

个人 AI 助手落地有三大核心约束：隐私、时延、个性化。最新研究正从「能不能用」走向「敢不敢用、好不好用」。两篇论文分别从「数据所有权」与「响应时延」切入。

4.1 GOD Model：设备端隐私保护 AI 学校

  • 作者：PIN AI Team, Bill Sun, Gavin Guo · 2025
  • arxiv：2502.18527v2

【做了什么】提出 GOD（Guardian of Data）——一个安全、隐私保护的框架，在设备端为个人 AI 助手做训练与评估，并衡量「保护数据前提下预见用户需求」的能力。
【怎么做的】GOD 像一所「AI 学校」，通过模拟用户查询与 curriculum 方法精炼每位助手；框架跑在 TEE 内，借强化学习与模仿学习细化推荐；设计代币激励让用户安全共享数据，形成数据飞轮——挖矿速率由 GOD 对助手「理解用户程度」的评估决定。
【结果】产出可规模化、负责任的个人 AI 助手路径，框架部分开源。
【落地价值】为 on-device 个人 AGI 助手提供带隐私保证的「训练—评估—激励」闭环。

4.2 Plan Reuse：让个人助手告别「等几十秒」

  • 作者：Guopeng Li, Ruiqi Wu, Haisheng Tan · 2025
  • arxiv：2512.21309v2

【做了什么】针对 LLM 驱动个人助手（小爱、蓝心 V 等）「生成计划」环节几十秒级高时延问题，提出 AgentReuse——一种计划复用机制。
【怎么做的】基于真实数据集发现约 30% 用户请求完全相同或相似；但原始文本相似度不靠谱，因此 AgentReuse 用「意图分类」评估请求相似性，从而判断是否复用既有计划。
【结果】有效计划复用率 93%，相似性评估 F1 = 0.9718，准确率 0.9459；相对不用复用的基线，时延下降 93.12%。
【落地价值】可直接复用到国内 LLM 个人助手生产线，明显降低首次响应时延。

五、检索与上下文：从 RAG 到 GenIR 的新范式

RAG 把「检索 + 生成」串起来已有几年。GenIR 把信息访问从「返回文档」推进到「直接产出定制内容与整合合成」，范式正在重构。

5.1 Foundations of GenIR：信息生成与信息合成

  • 作者：Qingyao Ai, Jingtao Zhan, Yiqun Liu · 2025
  • arxiv：2501.02842v1

【做了什么】综述生成式 AI 对信息访问（IA）系统的根本性影响，并识别与详细介绍两条新范式——信息生成（information generation）与信息合成（information synthesis）。
【怎么做的】论述生成式 AI 在大规模训练与数据建模上的优势；分别展开「按需定制内容」与「整合重组既有信息、缓解幻觉」两条路径；系统讨论生成模型基础（架构、规模化、训练）与多模态场景；审视 RAG 等语料建模与理解方法。
【结果】汇总 GenIR 的理论基础、应用版图与未来挑战。
【落地价值】为 AGI 助手「检索—生成—合成」能力栈提供理论框架。

六、横向对比表

# 主题 论文 年份 关键数字 / 结论
1 Agent-OS 范式 OS-Copilot 2024 GAIA +35%，跨域泛化强
2 Agent-OS 范式 Sovereign-OS 2026 财政违规 100% 阻断 / 审计零失败
3 多 Agent 架构 Multi-Agent AI for Regulated Insurers 2026 Solvency II + AI Act 范式
4 多 Agent 架构 Context Engineering for Code Assistants 2025 一次成功率显著高于单 agent
5 评测体系 OS-Marathon 2026 100 任务基准，GraphDemo 提升明显
6 评测体系 SWEnergy 2025 9.4× 能耗差，SLM 解决率近零
7 评测体系 AI Agents Survey 2025 四维整体评估框架
8 个人 AI 助手 GOD Model 2025 on-device + TEE + 数据飞轮
9 个人 AI 助手 Plan Reuse Mechanism 2025 时延下降 93.12%，F1 = 0.9718
10 检索与上下文 Foundations of GenIR 2025 信息生成 + 信息合成两范式

七、10 篇论文的 5 个共性发现

  1. 从 LLM 到 Agent-OS：agent 不再是 prompt 技巧，而是有治理、有审计、有财政边界的运行时系统。
  2. 多 agent ≠ 多个 prompt：Orchestrator + 专业化 + MCP/A2A 协议正在成为企业级标配。
  3. 评测正从「答对率」扩展为四维：effectiveness、efficiency、robustness、safety 必须同时度量。
  4. 个人 AI 助手的两大瓶颈：时延（plan reuse）与隐私（TEE + 激励飞轮）。
  5. 检索范式重构：从 RAG 走向 GenIR——直接生成与信息合成取代「返回文档列表」。

八、可借鉴到 AGI 助手产品的实战建议

把上述论文的洞见落到产品设计层面，可以提炼出五张落地清单：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
product_design:
  runtime_governance:
    - 一张声明式 Charter（YAML）定义任务边界
    - 分层 TrustScore + 赚得式自治
    - SHA-256 审计封缄 + Stripe 真实支付
  multi_agent:
    - Orchestrator + 专业化子 agent
    - MCP + A2A 双层协议
    - Intent Translator 强制澄清用户需求
  evaluation:
    - 远大视野重复任务基准
    - 能耗、时延、token 多维度量
    - SLM 与强模型分别评测
  personal_assistant:
    - TEE on-device 训练
    - plan reuse 降时延
    - 代币激励驱动的数据飞轮
  retrieval:
    - 信息生成 + 信息合成范式
    - RAG 作为底层而非唯一路径

每一条配置都对应一篇或多篇论文的核心结论，建议在自家 AGI 助手产品路线图中按这五维对照检查。

模型版本说明 ⚠️ 以发布时为准

本文综述的 10 篇论文横跨 2024-2026 年，涉及的模型名称（如 GPT-5、Gemma-3 4B、Qwen-3 1.7B 等）均以论文发表时为准。部分论文中提到的框架版本（SWE-Agent、OpenHands、Mini SWE Agent、AutoCodeRover 等）后续可能有更新；引用具体能力数字时请以原始 arxiv 版本为准。