#ReAct

arXiv 上新出的多智能体编排框架，用分层任务网络做规划，同一模型下在 BrowseComp 上比 Agent Team 高 2.45 个点，做智能体的可以看看思路。

这个AI框架能把绘画视觉特征转化为描述术语，连接图像数据与人文语义，为艺术史研究提供新工具。

这篇论文给了三个LangGraph实操例子，告诉你什么时候用它比ReAct或DSPy更合适，特别适合跑长时间有状态的业务流程。

这篇论文首次把ReAct循环和T-API结合到光网络管理里，领域专用工具准确率更高还省token，值得一看。

做智能体强化学习或 RLVR 的团队，TRACE 解决了多轮 rollout 中奖励信号稀疏的痛点，直接用树状分配提升采样效率，值得在自家 agent 训练流程中试试。