LLMAgentPapers：把 LLM Agent 研究脈絡整理成一份可讀的論文索引
Must-read Papers on LLM Agents.
秒懂
- 它是什麼？
- zjunlp/LLMAgentPapers 是一份以主題分類的 LLM Agent 論文清單，涵蓋人格、記憶、規劃、工具使用、強化學習訓練與多智能體溝通。它解決的是檢索與定位問題，不是執行問題；本文說明它的分類方式、貢獻流程，以及它不適合拿來做什麼。
- 適合誰用？
- 這份清單適合正在建立 LLM Agent 研究地圖的人：要寫 related work 的研究生、要替團隊選定技術路線的工程師、要快速確認某個子方向有沒有代表性論文的技術主管。它不適合當成程式庫或框架來評估，repo 裡沒有可執行的程式碼、沒有 API、沒有套件，把它放進依賴清單是錯的。
- 可以商用嗎？
- 未經許可不行。GitHub 在這個儲存庫中沒有找到授權檔案；沒有授權，預設即「保留所有權利」：你可以閱讀程式碼，但不能重複使用。使用前請看看 README，或先取得作者同意。
- 還在維護嗎？
- 有在維護。儲存庫最近一次提交在 4 天前。
- 用什麼語言寫的？
- GitHub 沒有提供這個儲存庫的主要語言。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
這份清單要解決的是檢索問題，不是實作問題
LLM Agent 這個詞在 2023 年之後被大量使用，但同一個詞底下塞了至少五種不同的研究傳統：有人在做角色扮演與人格設定，有人在做長期記憶的檢索與壓縮，有人在做任務分解與規劃，有人在做工具呼叫與 API 編排，還有人在做多智能體之間的訊息傳遞。這些工作的會議、作者群與評估方式幾乎不重疊，可是搜尋引擎給的結果混在一起。
zjunlp/LLMAgentPapers 的定位就是把這團混亂切成可導航的區塊。README 開頭寫的是 Must-read Papers on Large Language Model Agents，並在 News 段落說明這個 repository 最初是為了維護 Multi-agents 的論文清單而建立，時間標記為 2023-06。它的目標讀者不是要立刻跑起一個 agent 的人，而是要先搞清楚這個領域有哪些分支、每個分支的代表作是誰的人。
這個區分很重要。這不是一個框架、不是一個 benchmark 執行器、也不是一組可安裝的套件。它是一份人工維護的索引，價值來自分類判斷與收錄取捨，而不是程式碼品質。把它當成技術選型的依據會失望，把它當成文獻回顧的起點則相當省事。
分類軸線：人格、記憶、規劃、工具、RL 訓練五條主線
從 README 的目錄結構可以看出，Agent 章節被拆成五個子類別：Personality、Memory、Planning、Tool use、RL training。這個切法對應的是 agent 在單一任務中的五種能力面向，而不是依照模型規模或資料集來分。
Personality 底下收的論文偏向行為層面，README 列出的例子包括 Theory of Mind May Have Spontaneously Emerged in Large Language Models（2023.2）、Toxicity in ChatGPT: Analyzing Persona-assigned Language Models（2023.4）、Playing repeated games with Large Language Models（2023.5）與 Role-Play with Large Language Models（2023.5）。可以看到這個子類別關心的不是「怎麼讓 agent 更強」，而是「給定人格設定之後，模型行為會怎麼偏移」。
Memory、Planning、Tool use 三個子類別沒有在提供的 README 片段中展開條目，只能確認目錄結構存在。RL training 同樣如此。這點在評估時要誠實面對：分類框架是清楚的，但每個子類別的收錄密度無法從現有材料判斷。
多智能體部分則用另一個維度切分：Task-Oriented Communication 與 Casual/Open Conversations，前者再分成 Collaborative Exchanges 與 Adversarial Interactions。這個切法把「多個 agent 為了完成任務而溝通」和「多個 agent 單純在對話」分開，是個實用的界線，因為這兩類工作的評估指標完全不一樣。
Overview 章節的取捨：以綜述論文當入口
清單的第一個區塊是 Overview，收錄的是綜述與展望類論文，而不是具體方法。README 列出的十篇涵蓋 2023 年 5 月到 2026 年 3 月，包括 Interactive Natural Language Processing、A Survey on Large Language Model based Autonomous Agents、The Rise and Potential of Large Language Model Based Agents: A Survey、Agent AI: Surveying the Horizons of Multimodal Interaction、Personal LLM Agents、A Survey on Large Language Model based Human-Agent Systems，以及 2025 年 9 月的 The Landscape of Agentic Reinforcement Learning for LLMs 和 2026 年 3 月的 Harness Engineering for Language Agents。
這個安排的意圖明顯：先讀綜述建立座標，再往下鑽具體子類別。對不熟悉這個領域的人來說，這比直接從方法論文開始有效率，因為綜述通常會把術語定義清楚。
但這個設計也有代價。綜述論文的出版週期長，從投稿到上線常要半年以上，而 Agent 領域的方法迭代速度遠快於此。清單同時列出 2023 年的早期綜述與 2026 年的新綜述，讀者若只讀前者，會錯過 2024 到 2025 年間關於 agentic RL 與 harness 層的討論。這不是清單的錯誤，而是使用方式的問題：Overview 應該當成入口，不是終點。
Resources 區塊與工具清單的角色
README 目錄中另有一個 Resources 章節，底下分成 Benchmarks、Types of Tools 與 Tool List 三個部分。從命名判斷，這部分的意圖是把「用什麼測」和「用什麼工具」從論文索引中獨立出來，讓讀者不必在論文條目之間來回翻找。
提供的 README 片段在 Tool List 之前就被截斷，因此無法確認實際收錄了哪些 benchmark 或哪些工具，也無法判斷這些條目是否有版本標記或維護狀態。這一點必須明說：如果你需要的是「目前有哪些 agent benchmark 可用、各自評估什麼能力」，這份材料不足以回答，只能確認專案有這個意圖。
從 repository 的 topics 標籤來看，包括 agent、agents、environment、in-context-learning、instruction-following、interactive、multiagent-systems、nlp、paper-list、prompt、review、survey、surveys，這些標籤描述的是主題範圍，不是功能。環境（environment）這個標籤出現在論文清單上，合理推測是指 agent 與環境互動的研究，而不是指這個 repo 提供執行環境。
貢獻流程與維護成本：它靠社群而不是靠自動化
README 有 Contribution 章節，包含 Contributing to this paper list 與 Contributors 兩個小節。這說明收錄方式是人工提交與審核，而不是從 arXiv 或 Semantic Scholar 自動抓取。
人工維護有明確的好處：分類判斷需要理解論文內容，自動分類經常把跨領域的論文放錯位置。但成本也直接：新論文不會自動出現，覆蓋率取決於有沒有人願意送 PR。從 repository 的 last push 時間 2026-09-05 來看，維護仍在進行，但這只能說明有提交活動，不能推論收錄速度或完整性。
對使用者的實際影響是：你不能假設這份清單是最新的。如果你正在追某個快速變動的子方向，例如 agentic RL，清單可能落後數個月。比較穩妥的做法是把它當成基準線，再用 arXiv 的每日列表補上近期缺口。
貢獻者名單在 README 中以 Contributors 小節呈現，但提供的片段沒有展開內容，因此無法說明貢獻規模。
授權與依賴：README 徽章不等於 LICENSE 檔案
README 頂部有兩個徽章，一個是 Awesome 清單徽章，一個標示 License: MIT，連到 opensource.org 的 MIT 條文頁。但 repository 的 metadata 中 License 欄位是 unknown，提供的材料也沒有顯示根目錄存在 LICENSE 檔案。
這個落差在實務上要小心。徽章是 README 裡的圖片連結，任何人都能加；真正決定授權條件的是 repository 根目錄的 LICENSE 檔案。如果你打算把這份清單的內容（例如分類結構或條目描述）整批搬進自己的專案或內部知識庫，應該先確認 LICENSE 檔案的實際內容，而不是只看徽章。
這裡不提供法律意見，只指出事實差異。若你的用途只是閱讀與點擊連結，這個問題的實際影響很小；若涉及再散布，就需要確認。
另一個依賴層面的問題是連結穩定性。清單中的條目大量指向 arxiv.org 的 abs 或 pdf 路徑，這些連結由外部維護。少數條目指向 GitHub repository，例如 The Landscape of Agentic Reinforcement Learning for LLMs 條目附有 code 連結。這些外部資源若下架或改路徑，清單本身不會自動修復。
替代方案與差異：Awesome 清單與學術搜尋引擎的分工
同類資源中，Awesome 系列的 LLM agent 清單數量不少，差異通常在收錄門檻與分類粒度。有些清單以廣度取勝，把任何沾到 agent 字樣的東西都收進來，結果是幾百條條目卻難以定位；LLMAgentPapers 的做法是維持較窄的主題範圍，並用五個能力子類別加上多智能體的兩種溝通型態來切分，代價是覆蓋率較低。
與 Semantic Scholar 或 arXiv 這類學術搜尋引擎相比，差異更根本。搜尋引擎做的是全文檢索與引用圖譜，你輸入關鍵字，它回傳排序後的結果；LLMAgentPapers 做的是人工策展，它不回答「有哪些論文提到 X」，而是回答「這個子方向通常從哪幾篇開始讀」。前者適合你已經知道要找什麼，後者適合你還不知道這個領域長什麼樣。
同一個作者群（zjunlp）還維護 Prompt4ReasoningPapers 與 KnowledgeEditingPapers 兩份清單，README 中明確列出。如果你的問題橫跨推理提示與知識編輯，這三份清單需要合併使用，它們之間沒有統一的索引。
實務上的組合方式是把這份清單當成種子，再用引用圖譜往前後延伸。清單給你起點，搜尋引擎給你廣度，兩者不互相取代。
誰該用、誰不該用，以及動手前要確認的事
如果你正在寫 LLM Agent 相關的論文或技術報告，需要一份可引用的分類骨架，這份清單省下的是檢索時間。如果你要替團隊決定要不要投入某個子方向，Overview 章節的綜述論文能提供判斷材料。如果你是學生，想知道這個領域的經典論文有哪些，從 Personality 與 Planning 兩個子類別開始讀是合理的。
反過來說，如果你的需求是「找一個能跑的 agent 框架」，這份清單幫不上忙。它沒有程式碼、沒有安裝指令、沒有設定檔，也沒有版本號。同樣地，如果你需要的是即時更新的論文推送，人工維護的清單在速度上比不過 arXiv 的訂閱機制。
動手之前，建議依序確認：repository 根目錄是否有 LICENSE 檔案，內容是否與 README 徽章一致；你關心的子方向在 Agent 與 Multiple Agents 底下是否有對應小節；清單中最後一批條目的時間戳，與你研究主題的熱度曲線是否吻合。這三項確認完，你就知道這份清單對你的實際價值落在哪裡。
編輯結論
這份清單適合正在建立 LLM Agent 研究地圖的人：要寫 related work 的研究生、要替團隊選定技術路線的工程師、要快速確認某個子方向有沒有代表性論文的技術主管。它不適合當成程式庫或框架來評估，repo 裡沒有可執行的程式碼、沒有 API、沒有套件，把它放進依賴清單是錯的。採用前先確認三件事：一是 repository 根目錄是否存在 LICENSE 檔案，README 的 MIT 徽章本身不構成授權條款；二是你關心的子方向在清單中是否有對應章節，若沒有，你得自己補；三是清單最後更新時間與你研究主題的時間差，Agent 領域半年就是一個世代。若你的需求是「找一篇能跑的 baseline」，請直接去看各篇論文自己釋出的 code 連結，這份清單只負責把你帶到論文門口。
社群筆記