RAD-2：基于生成-判别框架的强化学习规划方法

本文提出Sema Code，一个基于可嵌入、可插拔、框架优先原则构建的开放AI编程框架。它完全将核心代理引擎与客户端层解耦，发布为独立的npm库，任何运行时均可编程驱动。该框架通过八大机制解决了将复杂代理引擎转化为共享可编程核心的工程挑战，并展示了同一引擎同时支持VSCode扩展和多渠道消息网关的架构灵活性。

本文提出DR³-Eval基准，通过真实用户材料构建多模态多文件报告生成任务，并配备静态研究沙箱模拟开放网络复杂性。该基准引入多维评估框架，验证了与人工评估的一致性。实验表明DR³-Eval具有高度挑战性，能有效揭示检索鲁棒性和幻觉控制等关键失败模式。