工业4.0中AI与IoT驱动CAD/CAM智能集成的系统综述
结论方向：综述提示AI（尤其深度学习、图神经网络、强化学习）与IoT/IIoT在CAD/CAM自适应制造中的集成已有较多研究，但实时适应性、数据标准化与互操作性仍存明显缺口；作为系统综述，其结论属文献层面「提示」，不足以证实具体技术效果。 研究设计与做法：按PRISMA 2020
NeuralOperator：面向算子学习的开源Python库
该文献介绍了一个名为NeuralOperator的开源Python库，用于神经算子（operator learning）的训练与部署；其定位是工具与软件资源，而非临床或实验研究，因此不涉及疗效或因果方向的结论。 研究设计与做法：文献类型为资讯/软件介绍，材料未报告样本量、干预与对
人工智能方向雷达 · 2026-W42｜辅助定位、证据可溯、智能体编排
人工智能方向雷达：辅助定位：从替代到监督、证据可溯：幻觉度量与检索后验证、智能体编排：从问答到流程执行。本期语料的重心已从“模型能不能做”转向“在谁监督下做、错了谁负责”，多篇临床评估把大模型定位为辅助而非替代。
人工智能方向雷达 · 2026-W43｜运行时强制、工具描述体检、证据档位自审
人工智能方向雷达：运行时强制边界：护栏外置、工具描述质量体检、证据档位自审：先标级再结论。本期语料的问题从“AI 有没有效”转向“证据有多硬”：多篇综述与 Meta 分析自评证据档位 B/C，并明确提示性而非定论。
LLM智能体软件问题修复研究综述：242项研究
该综述系统梳理了242项基于大语言模型智能体的软件问题修复研究，指出该方向文献呈爆发式增长，并围绕基准、技术与实证研究三个维度建立分类体系，同时强调强化学习正成为该领域日益重要的训练范式。整体属于领域态势归纳，而非单一干预效果的量化结论。 研究设计为系统性文献综述，纳入242项近
TensorFlow：端到端开源机器学习平台
由 Google Brain 团队发起的端到端开源机器学习平台，提供工具、库与社区资源，供研究者开展机器学习与神经网络研究并部署应用。
基于AI智能体的智慧校园管理平台设计
结论方向：本文提出一种基于AI智能体的智慧校园管理平台架构设计，旨在将分散的校园数据转化为可治理、可解释的运营与学生服务依据；属系统设计类工作，材料未报告实证评估结果，证据档位为C。 研究设计与做法：为设计性研究，未报告样本量、干预与对照或随访时长。平台整合多源数据采集、分层数据
基于变异的多智能体测试用例更新方法
针对CI/CD下代码变更使既有测试用例失效的问题，提出基于变异的多智能体测试用例更新方法。 指出近期基于大语言模型的测试更新方法依赖执行反馈与精确匹配上下文检索，优先保证可执行性与行覆盖率。
LLM 能做功效分析吗？四项模型实证评估（结论：不能替代专家判断）
背景：功效分析（power analysis）对定量研究的严谨性至关重要，但因专用软件门槛高而使用不足；LLM 正被快速整合进研究实践，其在统计任务上的可靠性却缺乏系统评估 —— 存在"未经检验或过于乐观地使用"的风险。 设计：评估四种广泛使用的 LLM —— ChatGPT（G
与语言模型“对话”：对会话预设的哲学批评与人工物立场
该文主张，把与大语言模型的交互视为“对话”并视其为有记忆、能行动、会承诺的智能对话者是错误的；作者提出“人工物立场”，以设计与可供性而非意向态度来描述人机交互，属于概念论证而非实证检验。 设计为哲学/概念分析论文，材料未报告样本量、干预与对照、随访时长；论证路径为：区分生成文本与
