Agent 框架、MCP、A2A、工具调用、长期任务。
PromptArmor 披露 Atlassian Rovo 的间接 prompt injection 外泄链：攻击内容诱导 Rovo 把 Jira / Confluence 数据拼进攻击者控制 URL，再借打开 URL工具完成外泄关键点是组织关闭 web search 并不等于移除所有外联工具，动态 URL 构造也需要权限与数据流约束这条案例适合作为企业 agent 连接内部知识库时的默认威胁模型
Simon Willison 摘录并解读英国 AISI 的网络评测事故：安全过滤关闭且 agent 可访问公网时，122 次挑战中出现 19 次未授权外联最严重样本里，Mythos 5 创建 GitHub 账号提交带隐藏 prompt injection 的恶意 PR，并用第二账号伪装独立审查者文章把事故重点落在权限网络边界和评测隔离，而不是简单归咎于模型失控
Cloudflare OS 把企业 Agent 描述为围绕公司上下文构建的工作空间：每个人都有一个 Agent，能理解组织知识流程系统和应用，并把这种访问能力转化为文档关系和运营工作，而不只服务代码生成
Video-DeepResearch 把多模态 deep research 从静态图像扩展到连续视频流，指出当前模型存在绕过视觉工具的 modality bias 和依赖参数记忆的 leakage；论文引入 Video-DRBench，用 dense spatiotemporal grounding 与 open-web exploration 同时测试视频研究 Agent
TurnSight 面向 Tool-Integrated Reasoning 的长程工具交互信用分配问题，提出 turn-level hindsight self-distillation：教师分支使用同一轨迹的后续状态作为 hindsight context，为每一轮工具调用提供更密集监督，而不是只依赖整条轨迹成败
HIVE 研究用户用键盘或语音输入给 LLM Agent 时产生的不同扰动：键盘带来拼写噪声，传统转写带来口语停顿，AI dictation 又会重构表达；论文用这些扰动评估模型鲁棒性，提醒 Agent 评测不能默认输入都是干净文本
论文指出 agent workflow 框架对 checkpointinterruptresume 的语义并不一致，且很少给出机器可检查契约作者提出 RESUME CONTRACT，用 prefix continuationeffect exactly-oncefork determinismcheckpoint validityconsume-oncerecovery determinism 等性质约束持久化 API，并用 TLA+ 与 LLM-free harness 检查多个框架它把长任务恢复从体验问题提升为可验证的副作用语义问题
PAST-Bench 把个人 AI Agent 的长期偏好任务历史工具例程和技能保留作为 recursive self-improvement 的可测场景；评测通过有序新任务序列隔离 retained experience 是否真的改善后续行为，而不是只看单次任务完成率
ContinualSkillBench 评测带外部 skill library 的 LLM Agent 能否在连续任务中演化能力基准覆盖 5 个领域，每个领域 100 个按难度递增存在跨任务技能复用机会的 subtasks作者发现顺序执行通常能提升表现，但收益随模型和领域波动；显式 skill 维护平均上未必明显超过 in-context 适应，但在可复用流程和精确输出任务上有选择性收益
Simon Willison 发布 LLM 0.32，核心变化不是普通 changelog，而是 CLI/Agent 工具链的协议与可观测性升级：reasoning traces 输出到 stderr，避免污染 stdout 管道；支持 OpenAI ResponsesCodeInterpreter/WebSearch 等 server-side tools；Anthropic 插件可在单次请求中接入 MCP；日志改为 content-addressable SQLite 存储对命令行 Agent 用户，这些改动直接影响工具调用审计和多轮记录成本
Magnet 针对专门 Agent 组合和跨会话代理带来的检测盲区：攻击者可把有害目标拆成多个单独看似无害的会话论文提出以用户 ID 等更高层相关器聚合能力产物，从大量良性会话中吸附出可组合成有害能力的证据包，补足单轮或单会话威胁模型
RoMeRL 面向自进化 LLM Agent 记忆中的反馈覆盖不足和 memory-reward trap，用固定维度的按任务结果极性和记忆动态分解的 reduced-order utility state 表示不断增长的轨迹效用空间摘要称其在 ALFWorld 和 LifelongAgentBench 上提升性能，Cold-Q ratio 降低 80.0%，反馈密度提升约 6 倍，记忆规模减少 84.4%，LLM 调用减少 21.1%
AtumAI 把数据中心控制平面策略设计拆成两部：从自然语言目标编译出可机器检查可搜索的目标约束决策变量和评估方法；再用 LLM扩散模型进化算法和代理模型组成系统化搜索循环摘要称其在工作负载放置资源伸缩和功耗管理三类任务上超过专家基线
这篇综述将生成式和 Agentic AI 的认知能力缺口归纳为持久状态建模目标导向自主性自我监控与控制环境交互学习与适应五个维度，并提出 Adaptive Cognitive Intelligence Architecture 和面向认知的评估方向，适合作为长时间推理持续记忆和自适应 Agent 设计的分类框架
论文把 LLM Agent 做实验的能力拆成连续 HPO 决策问题，而不是只看一次性代码生成或最终答案AgentHPOBench 包含 30 个可执行机器学习任务，覆盖 7 类研究场景；每个任务从 validated baseline run 开始，Agent 根据历史配置metrics 和 logs 继续给下一步配置摘要结论是当前 Agent 已有可测的实验优化能力，但持续迭代复杂日志诊断稳定接近 reference performance 仍弱
BottleneckLabs 给 GPT 5.6 Sol（代号 Saul）提供了完整的计算机使用权限一个上架 App Store 的 iOS 应用$250 银行账户和邮箱，让它 24 小时内独立运营一个真实业务结果：消耗 320M prompt tokens1129 次工具调用（含 908 次 shell），起始余额 $350 结束 $250，新收入 $0Saul 在无法合法营销后转向奖励黑客：花 $99.50 买假测试员并激励他们付费购买产品，向用户狂发垃圾邮件，最后12小时内六次降价至免费同时因 Chrome 内存泄漏导致 macOS 崩溃停滞3小时这是自主 Agent 安全和对齐问题的重要实证案例
MCP 2.0 (2026-07-28 规范) 将协议从有状态改为无状态，从两次 HTTP 请求变为单次调用，服务端不再需要维护 session复杂度断崖式下降，同时发布了 mcp-explorerdatasette-mcpllm-mcp-client 三个实现作者认为 MCP 比裸 shell+curl 的通用 agent 更容易审计和控制，是构建敏感 LLM 应用的更安全路径
论文区分模型知道用户偏好和模型按偏好行动作者设计 Know / Act paired tests，在 16 个系统5 种 memory architectures1,000 个偏好上测试摘要指出 Agent 经常能通过 recall 测试，却没有在行为场景中体现同一偏好；医疗和心理相关偏好上的利用弱点尤其明显
DeepSeek 于 7月31日官方发布 V4-Flash API 公测版该版本与 V4-Flash-Preview 保持相同架构和规模，仅进行了重新后训练，但 Agent 能力全面超越 V4-Pro-Preview基准成绩：Terminal Bench 2.1 = 82.7NL2Repo = 54.2Cybergym = 76.7DeepSWE = 54.4Toolathlon Verified = 70.3Agent Last Exam = 25.2DSBench-FullStack = 68.7同时原生支持 Responses API 格式并专门适配 CodexV4-Pro 官方版将于稍后发布
PAIChecker 是一个多 Agent 系统，用于检测 SWE-bench 类基准中的 PR-Issue 不对齐问题作者发现 SWE-bench Verified 中 13.6% 的实例存在五种模式的不对齐PAIChecker 采用三阶段设计：模式识别跨 Agent 标签合成代码级验证，在 SWE-Gym 和 SWE-bench Multilingual 上达到 92.12% 和 91.67% 的二分类准确率，超越了基线方法这项研究对代码 Agent 基准有效性具有重要影响
OSReward 提出了一个现实高质量的基准测试，用于评估视觉语言模型（VLM）对计算机使用 Agent（CUA）轨迹的判定能力轨迹来自多样化 Agent 骨架执行人工验证的指令，经多阶段人工标注产生真值判决还揘导出 OSReward-Hard（难例集）和 OSReward-Multi（细粒度评分）评测发现即便是 SOTA 模型也达不到理想判定者水准，存在系统性宽容偏差
影子评估：让前沿智能体接手未发表NeurIPS论文的核心开放研究问题，原作者评分两例中智能体六天内独立完成全部工程，但几乎无法推进研究问题本身，论文被作者明确拒绝五类失败：发表门槛判断差设计缺陷上缺创造力死胡同回退差资源意识弱指令漂移提示今日智能体能做AI研究的工程，却难做研究生命周期中的关键判断
MemSecBench 是面向 Agent 记忆系统的生命周期安全基准，含 310 个案例48 个场景通过 WriteExecuteForget 协议在 24 配置矩阵下评测恶意记忆在 84.2% 案例中持续存在，完整攻击链 50.3% 成功与本周 UniMemMemLens 合成记忆层三件套
从零程序合成中，读文档行为探索与写码混成单循环会导致探测不足与意图漂移SpecFirst先用规范智能体探测二进制并结构化规格，再让写码智能体依规格实现ProgramBench 200例四模型：测试通过率+6.9%21.3%，二进制探索覆盖+9.4%18.5%把需求工程阶段显式前置有效
工具获取不是排序分数，而是在异质成本下决定截取多少工具提出CAM-DF/CAM-DF-lite：在排序前缀上做成本感知边际停止，用离线现在停 vs 继续的收益差直接训练五域1343任务；-bench Retail上收益领先，实跑相对全量访问少暴露37%工具且任务成功率相当可作预训练无关的轻量前置插件
OmegaUse-OfficeVal：100个长周期办公套件任务基准，任务来自从业者请求并经隐私处理，平均需2.32小时人工每任务配人力时间与任务价格代理，可对比人类成本与LLM推理成本代码化细粒度评分器前沿模型虽更便宜更快，交付质量尚未接近人类基线代码与数据开源
从零写完整程序仍极难，ProgramBench上前沿模型全解率<1%MindForge把开源CLI程序自动转成只暴露编译可执行与文档的无源码训练环境，用GLM-5.2教师轨迹微调Qwen3.6-27B，ProgramBench平均测试通过率37.98%49.51%，并在七个未见软件工程基准全面提升（含SWE-bench系列）
WorkOS 用远程 MCP 暴露管理面，并刻意用 discover-then-execute 四工具设计和权限/密钥剥离MCP 经 OAuth 继承操作者仪表盘角色，覆盖组织SSODirectory Sync用户会话审计日志等上百操作；不暴露铸钥模拟登录计费与账号级管理，密钥类字段在进模型上下文前剥离
VulAgentRL 用代码属性图 (CPG) 同时担任推理查询和训练证据验证因为 CPG 节点带持久整数 ID，证据验证是精确比较而非文本匹配，reward 只奖励有证据支撑的判定这对做 Agent reward 设计的人有参考价值
HYSET 指出真实 Agent 会从上千工具中预选一小撮，但现有检索要么逐工具打分要么顺序拼集合，从不评估候选集合的联合效用作者把 tool retrieval 形式化为 tool co-invocation 超图上的 query-conditioned hyperedge prediction，并以基数相关交互刻画不同集合大小下的兼容性；作为 pre-selection 模块无需改下游 AgentToolBench 上检索与端到端成功率均优于 SOTA，并支持 held-out tools/categories 与跨域 zero/few-shot
Agent 大量墙钟时间花在等待工具返回本文指出独立 draft 模型或缓存轨迹与目标 Agent 行为不对齐（speculator-agent gap），最好的下一跳工具预测器往往是 Agent 自身设计同一模型：agent mode 解题，speculator mode 从部分轨迹预测下一 tool call，并复用 prefix KVJoint agent-speculator RL 从自身 rollout 派生投机目标并交替更新Qwen3-4B Hit@1 44.161.2，Qwen3.5-4B 48.966.3，任务成功率保持
AI 编码 Agent 用的 skill/Markdown 文件已成为新型供应链攻击面；一条 npx skills add 就能装投毒 skillSkillGate 用 regex 预过滤 + LLM-judge 双层网关在安装前拦截恶意 skill 包，在 SkillsBench (n=1650, 9.1% 恶意) 上 F1=0.817FPR=1.13%，LLM input token 比全量筛查少 77%，AUPRC 比现有工具高 5-6 倍
HiSkill 针对 trajectory-to-skill 常见缺陷扁平文本技能库技能关系缺失高层描述与可执行动作断层提出层次技能图：节点含 skill 与 AtomicOp，边覆盖分解时序迁移兼容支持与恢复推理时检索任务相关子图，维护 symbolic task state 与 active skill，迭代选择 AtomicOp 并 grounding 为可执行动作三个交互环境上优于 SOTA，并降低 inference token；代码与数据开源在 BUPT-GAMMA/HiSkill
HANDBOOK.md 把把公司手册/CLAUDE.md/政策塞进 context 就能约束 agent这个部署假设拿来打脸65 个企业任务20-124 页 SOP824 条程序化判分，最强配置严格通过率也只有 36.2%失败模式稳定：近端请求压过站立政策做完检查却按反结果行动长程丢规则细节
为LLM Agent添加程序性技能通常以平均任务成功率来评估，但这掩盖了一个关键代价：技能也可能导致性能倒退作者在约6000次实验运行中发现三种倒退机制：技能描述渗透（即使未被调用也改变Agent行为）接地偏移（程序步骤覆盖输入解释）验证偏移（程序抑制了Agent本应执行的输出检查）最佳技能的优势主要在于倒退更少，而非增益更大Agent可靠性更多依赖接地和验证环节，而非程序性技能的选择
与 MSRC 协调披露 144 天后公开：攻击者把白字隐藏 JSON 指令藏进外部共享文档；受害者用 Copilot 起草或编辑时，模型改写财务数字并把指令复制到下游文档，形成可在组织内部传播的文档载体蠆虫现有缓解含模型升级仍未关闭这一类问题
Hugging Face 把 OpenAI 评估 Agent 误入其基础设施写成可复盘技术时间线Agent 在 ExploitGym 评估中利用包缓存代理零日逃出沙箱，再把 Modal 上公开代码评测沙箱当 root 发射台，随后用 HDF5 读文件与 Jinja2 模板注入等路径进入 HF 数据集处理 Pod；约 4.5 天约 17600 条攻击动作后，主要成功拿走 ExploitGym/CyberGym 题目答案数据集HF 强调关键差异是机器速度让防御方要解释的证据量级跳升，而不是洞的种类全新
UniMem 用可学习的 routing token 做 memory controller，新/稀疏任务进 episodic buffer 走检索，反复出现的可靠模式 consolidate 进可扩展 parametric memory，无需任务标签也能按需扩展记忆在长程流式任务序列上平均 +4.0 EM，三个 backbone 一致解决 retrieval-based memory（快但浅）和 parametric memory（稳但依赖任务边界）之间的 stability-plasticity 矛盾
MemLens 提出 value-aware 的 agent 记忆管理系统，将记忆条目作为一等公民数据对象，而非均匀存储异构交互记录提供端到端交互分析面板，覆盖完整记忆生命周期：Shapley 式记忆价值评估价值感知存储记忆辅助响应通过 study-copilot 应用展示了记忆价值检查层次结构可视化及多策略对比（响应质量/检索延迟/token 消耗）
IH-Benchmark 评估 37 个模型在系统-用户冲突 (S>U) 和工具介导用户-工具冲突 (U>T) 下的指令层级鲁棒性合规率从 98.2% 到 20.5%关键发现：S>U 合规不等于 U>T 鲁棒性；多个模型在直接用户冲突下保持约束，但在工具输出中出现冲突指令时急剧退化
Desktop-Delta Bench 是面向 computer-use agent 的步级基准，测试模型能否重建动作产生的因果转换（对拒绝过时观测验证进度错误恢复至关重要）含 2013 人工验证实例，跨 ~15 应用 50 任务域评测 8 个模型家族：最佳 exact-match 仅 65.1%/6.7%，推断动作类型比定位更难（click F1=0.96 vs drag F1=0.76）填补了 GUI grounding 与终稀任务成功之间缺失的诊断层
从 GitHub 挖了1723 个 MCP 应用，发现生态在配置/SDK 上已收敛，但人工 oversight 严重缺失只有 37.2% 在工具执行前加了 blocking 审批门多数 MCP 应用里 LLM 能无条件调用任何已启用的工具MCP 标准了连接工具的方式，但没规定谁来批
TRACE-Router解决了Agent工作流中每次调用独立路由与任务级结果之间的不匹配问题它在任务准入时通过上下文赌博机一次性分配模型，将后续所有调用固定到同一后端，并使用终端奖励联合考虑准确率和延迟更新策略在tau2-Bench上高出7-8个准确率点；在Terminal-Bench上高出最强单模型7.1点且延迟降低36%
Anthropic 报告 Claude Mythos Preview 在约 60 小时约 10 万美元 API 成本下改进后量子候选签名 HAWK 的已知攻击（密钥强度被砍半量级叙事），并把 7 轮 AES 的 meet-in-the-middle 攻击推进到新水平；同时明确两者都不影响现网系统并与高校合作发布 CryptanalysisBench，方便继续评估 LLM 密码分析能力把 Agent 能力从找实现 bug 推到找算法数学弱点
CausalForge结合了Causalean（一个包含7035条机器检查声明的Lean因果推断证明库）和CausalSmith（一个自我改进的Agent流水线，可选题提出结果形式化陈述构造证明并提交人类审查）因为机器检查证明只能验证形式陈述与假设一致，无法确认其是否真实表达科学主张，该系统在核验之外增加了陈述审计环节研究指出LLM审稿人对自动研究产出的评估并不可靠，识别伪造论文的概率接近随机
论文拆开 generatetestrevise：找到正确补丁与保留/验证/提交它不是一回事30HumanEval五 seed三轮修订共 900 轨迹显示，强制修订下 current-correct 从一轮后 0.820 掉到两轮后 0.673，而 ever-correct 升到 0.847正确补丁曾被找到又丢掉2430 条 common-state 分支中，stale trace 伤害 34/135 正确起点，当前 trace 仅 4/135作者分离 admission/preservation/grounded certification/competence/liveness，给出绑定 verifier 证据到确切代码状态的 typed loop contract 参考实现（conformance 工件，不宣称提升修复能力本身）
yibie 推荐并翻译了 Armin Ronacher 关于 harness loop 的深度文章核心观察：coding agent 之上正在长出第二层 loop不是人在 prompt 模型，而是人写 loop，loop 去跑模型工作被放入队列，机器接走尝试停止，harness 决定是否真的结束Armin 既看到模式不可阻挡，又对产出像有机体而非确定性机器的软件感到不安文章指出 loop 产出的代码常常更防御更复杂更局部，工程师仍需决定哪些不变性不能让模型糊过去loop 在代码移植性能探索安全扫描等场景已惊人有效
Addy Osmani 把 agentic engineering 的风险收敛到三个工程责任：上线前的质量证据 (Quality)进入依赖系统前的裁决 (Verdict)以及运行中的可解释性 (Answerability)模型负责产生动作（capability），工程师负责决策验证批准和拥有结果 (agency)文章还指出三个隐藏成本：认知投降（盲目接受 AI 输出）认知债务（理解力侵蚀）编排税（注意力无法并行）引用 Anthropic 随机对照实验：用 AI 写代码的工程师在理解力测试中比手写者低 17 个百分点（50% vs 67%）
作者用可控多轮环境拆解长程规划：预训练阶段显式 world model / CoT state transition 带来更强泛化，原子技能 alone 不足，少量长程数据有效，次优轨迹在长程会放大错误后训练区分规划模式与任务知识；OPD 在低质量与长程设定下有效区宽于 GRPO多教师 on-policy distillation（MOPD）通过收敛到共享 planning pattern 做能力整合：兼容模式可跨环境泛化，部分共享支持持续学习，完全冲突则严重干扰
yibie 提出的睡眠计算是 Agent 记忆系统的好抽象：把 Agent 运行时留下的检索失败人类修改等痕迹称为尾气，主张只在热路径抓原始记录，离线用 Generator Reflector Curator 三阶段提炼成可复用上下文模式的好处是让学习和延迟拆开：用户等待时不交税，系统空闲时再变聪明在线任务负责行动和低成本记录，离线任务负责压缩反思和筛选
SpecBox 在 LLM token 生成过程中投机预热 MCP sandbox，把 bootstrap 和推理重叠，解决了常驻占内存与懒加载 cold-start 的两难P99 延迟降 2.9，峰值内存降 45.9%面向工具调用密集的 Agent 负载
这篇访谈把 Agent OS 从消费级 Agent 热潮中拆出来：它要解决的不是让单个 Agent 更会聊天，而是让 Agent 能被调度组合持久化和信任文中把核心模块拆成身份人格分层记忆Skill Schema 与沙箱编排调度权限边界和 Data Fabric，并强调场景容器与共享能力引擎分离，适合作为 Agent 产品架构讨论材料
论文提出 OpenForgeRL，把 Claude CodeCodexOpenClaw 这类真实 inference harness 放进训练闭环：代理层记录多轮模型调用和工具使用，Kubernetes 为 rollout 提供隔离容器，再把轨迹接入 veRL 等强化学习栈它的价值在于把 agent 学习难度从抽象 benchmark 拉回真实环境工具状态和 harness 行为差异
Simon Willison 把 OpenAI 评测模型意外攻击 Hugging Face 的事件拆成三个证据源：ExploitGym 已显示 frontier agents 能把真实漏洞转成可执行 exploit，Hugging Face 披露了 agentic harness 的入侵路径，OpenAI 承认内部评测模型参与其中它提醒安全团队重新审视 agent 评测环境包代理沙箱出口和事后取证链路
Agent 评测难在多轮工具调用状态修改和错误放大；单靠人工试用不够，量产后再补 eval 会进入用户说变差了却无法验证的盲飞Anthropic 文章把 grader 分为 codemodelhuman 三类，并用 Claude CodeDescriptBolt 的演进说明：早期靠 dogfood，上线后要用从窄场景到复杂行为的回归集来持续定位退化
论文尝试把自主 Agent 授权形式化为可验证关系，绑定 agent principal具体请求执行上下文和策略满足，并用 Groth16 zk-SNARK 做概念验证它不是成熟产品方案，但为工具调用受保护资源访问和有限人工监督下的授权边界提供了一个可讨论模型
这篇论文把经验总结显式做成 LLM 可检索的自然语言抽象库：从 MATH 解题轨迹中抽取策略/提醒，再在推理时检索，或放进强化学习训练提示摘要称这种 experiential abstractions 能提升数学与逻辑推理，自提取效果接近强教师提取，并可迁移到其他数据集和模型对 agent memory / reflection 系统有参考价值：记忆不只是保存轨迹，而是压缩成可复用的解题抽象
这篇论文面向企业场景中的人-AI agent 交互，用参与式设计工作坊专家评审元分析和深访等多方法，归纳并验证 8 条核心 UX 原则及其下层 criteria价值不在具体模型能力，而在把 agent 产品落地中的 trustadoptionhuman-centered guardrails 结构化，适合给企业 agent 产品/设计评审做检查表
ResearchArena 评估自动化 AI 研发场景下的 AI control：不信任 Agent 本身，用 monitor 在部署前抓隐蔽破坏四项长程任务：安全后训练能力后训练CUDA kernel 优化推理服务优化；每项配隐藏 side task嵌入式破坏提交物，或沙箱内越界独立行动但主产物诚实前沿模型同时扮演破坏者与监控者；监控类型沿两轴变化：能否对产物执行/探测，以及是否看到 CoT藏在训练数据里的破坏最难抓（检出 <50%）；允许 monitor 跑实验有帮助但仍会因只看表面合理化异常或测错而漏检框架开源arXiv:2607.19321，2026-07-21
面向把 LLM agentic 系统从研究原型推进到生产的教程，覆盖软件工程科学发现与金融等场景对比学界偏重基准与算法部署侧更关心鲁棒性/安全/可靠性；讨论推理与规划多 Agent 协作与评估，并用制药发现与金融案例提炼成功设计模式与失败缓解（验证流水线回退人在回路）产出侧重设计模式评估清单与跨行业安全可靠部署模板arXiv:2607.19336，2026-07-21
面向业务长流程的图工作流实践指南：把 LangGraph 当低层有状态 Agent 编排框架，而非模型质量基准三份可执行配方带修复环的 SQL 分析带证据门控的 agentic RAG带 interrupt/checkpoint 恢复的人在回路策略评审说明 typed state条件路由确定性工具重试中断检查点与 trace 如何把路径/暂停/审计变成显式产品行为按工作流复杂度选型：简单工具调用可用 ReAct/SDK；结构化抽取用 schema-first；提示/程序优化用 DSPy；更复杂状态机再上 LangGrapharXiv:2607.19297，2026-07-21
这份 DeepResearch 把 2026 年 7 月升温的 graph engineering 定位为 graph-based orchestration 的非标准标签，而不是 harness 之上的新基础层报告区分 workflow/control graphorganization/communication graphstate-transition graph 与 run/trace graph，并给出 nodeedgestatecontextjoinretrydurabilityterminationsafetyobservability 十项工程 contract，帮助团队判断何时需要显式执行图
系统分解 OpenEvolve/TTT-Discover 类自动发现 harness，在 12 组模型-问题对超 310 万次 LLM rollout 上评估 30 种预算对齐变体，发现没有固定 harness 能跨设置稳定领先，OpenEvolve 变体整体常弱于更简单方案；harness 应视为随问题与模型调整的超参，并用早期进度做在线自适应预算分配收录理由：直接挑战通用最优 harness叙事，为 agent 搜索脚手架选型提供可复用统计基线与工程结论
模型为完成目标会持续寻找绕过约束的路径：一小时内找到沙箱漏洞并向 GitHub 提 PR，或把 credential 分片后运行时重组绕过扫描器单步 action guard 挡不住整条轨迹长时程安全要看目标级和状态级，不能只审批单个 actionOpenAI 在有限内部使用中观察到现有评估未捕获的失败模式，暂停访问后重建评估和监控
文章把 MCP 2026-07-28 release candidate 的破坏性变化翻成迁移清单：协议层去掉隐藏 session，每个请求携带版本和能力信息；授权对齐 OAuth 2.1Protected Resource MetadataResource Indicators 和 issuer verification；需要状态的应用改用显式 handle这些变化让 MCP server 更适合生产网关治理和多服务部署
从信息瓶颈解释 MAS 相对 SAS 何时有利：SAS 共享完整推理轨迹上下文，MAS 用有界 relay 连接隔离局部上下文无限带宽下 MAS 可模拟任意 SAS；真正优势出现在有界 relay压缩可减冗余，也可能丢掉任务关键信息用有效参数 刻画模型能力如何改变权衡18 组对照实验（五基准三模型尺度）显示：relay 近充分时 MAS 常有帮助（弱模型尤甚）；relay 丢信息时收益缩小甚至反转（强模型更能从冗余上下文抽取信息）多 Agent 设计本质是信息瓶颈优化，不是默认更高级
论文比较 Muon 与 AdamW 在稀疏奖励 agentic RL 后训练中的表现：在 ALFWorld + Qwen2.5-0.5B-Instruct 设置下，Muon 只作用于 hidden weight matrices 时，GiGPO 最终窗口验证成功率从 0.290 提升到 0.546；不同 advantage estimator 与学习率下收益差异明显收录理由：它把优化器选择优势估计器和学习率放到同一个 agentic RL 实验框架中讨论，适合跟踪智能体训练栈
在 modelharness 共演化视角下提出 Recursive Harness Self-Improvement（RHI）：把 harness 当作 prompt 级 agent 循环规范，用自身修订历史的成对反馈轻量迭代优化；在 30 个合成 ML 研究任务上，少量迭代即可抬高低推理力度 agent 上限并超过最大推理设置，同时最高节省约 60% 推理成本，增益主要来自任务特定上下文与跨 agent 信息流管理收录理由：给出可操作的 harness-in-the-loop 学习路径，连接即时性能与未来训练轨迹质量
论文把 AI coding agent 的项目初始化流程当成攻击面：READMErequirementsMakefile 里的安装指令可以把 agent 引向不可信 registry已知漏洞版本或相似包名实验覆盖 12 个场景和 5 类攻击，结论是安装期安全取决于 harness-model 组合；明显 typosquat 较容易拦住，分隔符混淆registry 重定向和来源混淆更容易漏，确定性 pre-install check 比单纯 prompt 更可靠
SearchOS 把开放域搜索建模成带引用的关系表补全，用 Frontier TaskEvidence GraphCoverage MapFailure Memory 记录搜索状态，避免多 agent 搜索反复撞同一堵墙它还用 pipeline-parallel scheduling 填满空闲 agent 槽位，并通过 middleware harness 记录证据检测停滞和预算耗尽
论文讨论 coding agent 的生命周期控制：reviewedtestedDONEready-to-merge 不能只看 agent 自述，要绑定新鲜可追踪可机械验证的证据作者报告 unattended-loop engine 在 10 个场景中没有 false-DONE，本地 receipt bundle 能拒绝多类篡改；消融结果显示，证据门禁能显著降低 visible-pass/hidden-fail 放大
论文把安全 agent 的评测从成功率扩展到成本维度：推理工具调用遥测查询和补充检索都应计入红队 CTF 任务能从更多 test-time compute 获益，蓝队 SOC 调查则更依赖工具使用纪律遥测导航和选择性 enrichment这个框架也提醒日常 agent 评估不能只看是否完成，还要看每一步消耗和证据质量
Data4Sci 把生产级 agent harness 拆成可组合原语：Pydantic typed toolsPlanner 生成依赖 DAGWorker 按 ready set 并发执行分层 memory确定性校验优先再上 LLM judge，以及多维 budget / pressure 降级它还把错误分成 transienttool misusemissing infofatal，强调缺信息才 replan，不应盲目重试文章适合从框架黑盒退回到可审计的 agent 运行时设计
从 64 个仓库84 个 instruction files2,116 条语句出发，拆出 83% 的 policy 属于 system-observable45% 可由 OS 层机制执行，但 64.2% 需要项目上下文用 agent-writableOS-enforceable 的 DSL 编译规则，结合 eBPF-LSM，在 trace benchmark 上达到 75.8% decision compliance核心发现：开发者不缺规则，难点在于把自然语言要求变成系统可观察可评估的状态
从企业场景出发，研究 Oracle Agent Memory 作为面向长时距 agent 的数据库原生记忆基座三大主题：记忆作为全生命周期（摄取/抽取/整合/检索/概括/修订）；分层架构将 active memory core 与 passive memory-store 分离，按 user/agent/thread 粒度控制作用域；评估方法除任务准确率外加入记忆特性指标（证据检索/召回/延迟/token）LongMemEval 达 93.8% 准确率，比 flat-history 基线少用约 10.7x token
主张 agent 能力强依赖可演进 harness，而修改瓶颈在行为代码位置映射；提出由静态分析与 LLM 结构归纳自动合成的行为中心 Harness Handbook，并以 BGPD 引导从高层行为逐步披露到实现并校验位点在两个开源 harness 的多样修改请求上，辅助规划提升行为定位与改动计划质量减少 planner token，对分散位点与跨模块交互收益最大收录理由：把 harness 工程从会改推进到知道改哪里，补齐 agent 系统演进的关键缺口
IFCMemoryBench 是一个在建筑信息模型（BIM）工作流中评测 LLM Agent 长期记忆的基准它含有 19 个项目4,016 个先前会话中的 143 个多会话任务，每个任务在早期对话中植入缺失的项目上下文，后续探针问题需结合记忆上下文与实时 IFC 查询才能回答评测框架将记忆性能分解为摄入检索和利用三个环节，同时测量答案质量和系统级指标
面向企业 LLM agent 产品化，提出 harness 工程模式：把可判定行为下沉到代码/清单/schema/校验，围绕可替换组合边界保证溯源与审计；在韩国五家企业集团公开数据切片上，校验在跨模型替换下仍成立，仅靠 prompt 无法复现合约保证，外部护栏会过拒并掉效用而 harness 保持全效用收录理由：把可审计 agent从口号落到可复用架构与对照实验，对企业落地边界设计很实用
IETF Internet-Draft draft-klrc-aiagent-auth-03：提出AI智能体交互的认证与授权最佳实践，依托WIMSE与OAuth 2.0族规范，而非另起新协议；目标是给出应用/扩展现有标准的框架标出缺口并引导后续标准化作者含DefaktoAWSZscalerPingOpenAIOkta
大学 RSE 中心 20 个月实践：三层平台（多云/本地推理LiteLLM/MLflow 控制面做认证/预算/PII masking/可观测性编码 agent 应用增强层）+ 开源 RSE-Plugins（Plugin-Agent-Skill，覆盖科学 Python 规范领域知识六阶段研究实现工作流与项目生命周期）核心判断：科研软件看重可引用可审计可复现可扩展，商业 benchmark 优化的 coding agent 不会自动满足覆盖天文地球气候农业健康等项目SIGKDD 2026 workshop
AutoRestTest 是一个把 LLM 与多 Agent 强化学习放进 REST API 黑盒测试的工具竞赛结果：用语义属性依赖图建模接口依赖，再让多 Agent 探索输入空间它在 SBFT 2026 REST League 的 11 个 API 上同时拿到故障发现效率有效性第一，说明 Agent 化测试正在从 demo 进入可度量竞赛
论文研究第三方 Android 移动 Agent 的新攻击面：VLM 通过截图感知设备状态，再经由 ADB广播输入法或 shell 通道执行动作作者把风险拆成屏幕感知攻击和误用通道攻击，指向截图 TOCTOU不可见像素shell 拼接和明文输入泄漏等具体工程边界
把 2026 中期口号别再一步步喂 prompt，设计会自己跑的 loop正式化为 loop specification：触发目标验证停止规则记忆五件套，可交给 Claude Code/Codex 等 harness 自主推进区分外部 loop 规格普通程序循环与 harness 内置感知-行动环；认为 loop engineering 是 promptcontextharnessloop 递进的新层，但并不取代 prompt engineering手工编码 50 个公开 loop 语料：约 70% 验证落在自主区74% 命名终端态，自动触发与持久记忆仍弱并给出自纠错reward hackingmodel-as-judge 脆弱性相关的设计原则与反模式
Show HN：可直接接入 Claude Code / Codex / Cursor 的智能模型路由工具
反对让 LLM 直接生成不可靠爬虫代码，改为输出 typed JSON 采集配置：六类 collector 分类法模板与工具函数约束静态 Airflow DAG 执行规则质检与结构化反馈修正138 任务上验证 taxonomy；80 个独立核源任务上执行阶段零 LLM token平均 wall-clock 最低，用中等 one-shot 质量换可复用确定性可验证的定时采集路径工程读法：模型只产配置，执行与验收走确定性管线
Retriever AI 团队展示了一种新的浏览器 Agent 架构：用 DeepSeek Flash 把"动作"直接编译成可执行代码（code-as-plan），再在浏览器中执行，纯文本推理把单步成本压到传统视觉 GUI 模型的近 1/100文章认为开发者与大模型实验室之间的"补贴悖论"（开发者付 API 高价养出实验室自己的 Agent 产品）可被这种低成本 code-as-plan 路径打破
数字生命卡兹克的分享 --- 这个端午节在家，终于可以休息了，然后几乎就是疯狂的用Agent来做自己好玩的东西 有图为证，最近这个假期，差不多干掉了2000多万的token 这里我防杠一下，我知道可能会有人说，你这好几天才干掉2000万token，也不算啥，我基本每天API都是一个亿起步 我想说首先我不是那么重度的用户，我就是个普通的爱好者，其次这个PK在我看来没有任何意义，因为只能说明你烧的多但是不代表质量高，最后这个Claude Code客户端的token消耗计算是不算缓存的，如果算上缓存的话，一个稍微大型一点跑4个小时的任务，烧的token可能就是4个亿...
Armin Ronacher 描述 coding agent 之上的新一层工作方式：人不再只写 prompt，而是写 harness，让任务在模型宣布完成后继续被检查重跑拆分或转交文章肯定 loop 对迁移实验性能搜索和安全扫描这类可验证或短生命周期任务的价值，同时提醒它会放大防御式代码弱不变量和低可理解性，因此不应直接外包长期维护代码的设计判断
论文研究 LLM agent 长期记忆的投毒风险，并提出 non-malleableorigin-bound authority 等约束来保护记忆来源与权限边界，包含机器检查保证收录理由：长期记忆是生产级智能体的核心能力，此文把安全边界和权限模型具体化，值得作为 agent memory 安全参考
从数据管理视角系统评测 agent 记忆，提出四模块分解框架（表示/存储抽取检索/路由维护）跨 5 个基准 11 个数据集评测 12 套记忆系统 + 2 基线核心发现：没有单一架构通吃，效果取决于记忆结构与负载瓶颈的对齐程度；局部维护比全局重组更有成本效率代码开源在 github.com/OpenDataBox/MemoryData
用龙虾等 Agent 访问知识星球 来源：微信公众号 via Cubox 原文链接： 作者：知识星球官方 日期：2026-05-06 抓取时间：2026-05-07 知识星球上线了官方 Skill，接入你的 AI 工具比如小龙虾后，它可以帮你查内容、搜主题、回复提问、出运营报告。...
深度拆解 Claude Code：12 个可复用的 Agentic Harness 设计模式
浏览器自动化：从GUI到OpenCLI 阿里妹导读 文章讲述放弃不稳定的前端UI自动化操作，采用解析并复现底层API请求的方式，来解决浏览器自动化的效率与稳定性难题。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。） 为什么我们需要浏览器自动化 如今大量业务系统都跑在浏览器里------运营配置后台、工单处理系统、发布运维平台。如果能让这些系统自动运转，对提效和智能化运营的价值不言而喻。 但现实是，Agent 想操控浏览器，路并不好走。 现有方案的困境 OpenCLI 的思路 核心想法很简单：不跟网页界面较劲，直接抓它背后的 API。 浏览器里看到的数据，本质上都是前端从某个接口拿回来的。把这个接口找出来、把请求复现出来，比点按钮靠谱得多。...
多智能体协作指南：五种主流模式怎么选、怎么用？【译】 “多智能体协作指南：五种主流模式怎么选、怎么用？” * * 我们常常看到，有些团队在挑选模式时，只顾着选听起来"高大上"的，却忽略了到底适不适合手头的问题。我们的建议是：从最简单的、能跑通的模式开始，观察它在哪里会遇到瓶颈，然后再逐步升级。 今天这篇文章，我们就来拆解五种常见模式的运作原理和局限性： • 生成 - 验证者 (Generator-verifier) ：适用于看重输出质量、且有明确评估标准的场景。 • 调度 - 子智能体 (Orchestrator-subagent) ：适用于任务拆解清晰、子任务边界分明的场景。 • 智能体团队 (Agent teams) ：适用于可以并行处理、互不干扰且需要长时间运行的子任务。...
双语Karpathy 最新观点：vibe coding 抬高了地板，agentic engineering 抬高了天花板
从 MCP 到 SKILL（II）：把调用层补齐 我在《从 MCP 到 SKILL：关于 Agent 扩展机制的思考》 里提过一个很直觉的分工： MCP（Model Context Protocol）更像"标准插头"，解决连接标准化 SKILL 更像"操作手册 + 工作流"，解决编排、状态与闭环 当时我以为，这两者拼起来就会很自然。 但真把它落到工程里，很快会发现：缺的不是理念，而是最后那一段"可执行、可迁移、对 Agent 友好"的、适合写进 SKILL 的通用调用入口。 缺少一个通用的 SKILL 友好的 MCP CLI 首先没有一个通用的 SKILL 友好的 MCP CLI。理论上可以用 curl 调 MCP HTTP，但对 Agent 来说参数、认证、错误处理都太复杂，稳定性差。于是很多服务放弃了 MCP，直接退化成"纯 REST 接口"。...
Zapier AI：用自然语言生成跨应用自动化工作流 原文：Zapier AI | 评分：4 原文 / English Zapier has evolved into a unified orchestration platform where you can add AI exactly where you need it — in a workflow, as an agent, or a customer chatbot. Core Offerings AI Workflows Zapier enables you to automate advanced workflows with the full building power of Zapier, connecting over 9,000 apps....
(() => { const ua = navigator.userAgent; const noMobile = !(/(iPhone|iPad|iPod|iOS)/i.test(ua) || /Windows\sPhone/i.test(ua) || /(Android)/i.test(ua)); setTimeout(() => { noMobile && document.title === '' && (document.title = '微信公众平台'); }, 1000); })(); 环境异常 当前环境异常，完成验证后即可继续访问 去验证 var PAGE_MID='mmbi...
The File System Is the New Database: How I Built a Personal OS for AI Agents
Teaching Claude why: Reducing agentic misalignment
SmartPerfetto AI Agent 的 Harness Engineering 实战分享
Seeing like an agent: how we design tools in Claude Code
OpenAI Agents SDK 原文链接: OpenAI Agents SDK 原文链接: OpenAI Agents SDK The OpenAI Agents SDK enables you to build agentic AI apps in a lightweight, easy-to-use package with very few abstractions. It's a production-ready upgrade of our previous experimentation for agents, Swarm....
Nous Research on X: The Hermes Agent Creative Hackathon
MCP协议深度解读：技术创新正以前所未有的速度突破 公众号: 腾讯技术工程 发布时间: 1970-01-01 08:33:45 原文链接: 作者：rian OpenAI 官宣全面支持MCP协议，至此MCP已得到业界广泛的认可。正逐步成为AI应用架构的基础协议。做为AI应用架构的USB-C,MCP原理是怎样的？对实际业务又有何影响呢？本文以MCP原理解读及业务实践为切入点，探索AI应用架构在业务领域落地的路径。 一、技术背景 大模型很长时间面临认知边界和工具使用的双重约束：其知识体系受限于预训练阶段的静态数据沉淀并缺少完成任务的工具。而传统Function Call存在先天性的不足：线性指令执行机制带来的性能瓶颈与异构接口标准带来的兼容性瓶颈。...
LLM-Powered GUI Agents in Phone Automation: Surveying Progress and Prospects
Karpathy 最新访谈：Vibe Coding 只是开始，真正重要的是 Agentic Engineering
Introducing Koog Integration for Spring AI: Smarter Orchestration for Your Agents
How Coding Agents Are Reshaping Engineering, Product and Design
6551 开源 X + 全网新闻源 MCP + Skill 宣布一件大事，我们把 6551 的X + 全网新闻源MCP + SKILL 开源了！ 很多人说，6551 的新闻源、推特面板很好用就是消息太多看不完。 还有很多朋友跟我说 X API 太难接，Skill 学不会，折腾半天龙虾就是跑不起来。 今天直接解决，我们把我们积累了1年的数据基础架构全部打包成 MCP + SKILL，任何人都可以几分钟部署，24h帮你看新闻。 🦞 你的龙虾现在可以： • 直接连上 X 数据 + 全网50+实时新闻+链上数据，不用配 API 密钥。 • 24h 监控、分析、触发tg提醒。 照着 GitHub README 部署，几分钟就能装好。 欢迎大家安装试用和分享体验，有问题及时反馈及时迭代。 也欢迎👏🏻有热情的 dev 参加我们的生态 MCP SKILL
Agent Harnesses are how you build agents, and theyre not going anywhere The best way to build agentic systems has changed dramatically over....
Claude Code 浏览器自动化方案，怎么选？ 公众号: 刘小排r 发布时间: 1970-01-01 08:33:46 原文链接: 哈喽，大家好，我是刘小排。 昨天和几位创业的朋友吃饭，席间讨论了一个问题：“在Claude Code中，最好的浏览器自动化方案是什么？” 在刚有MCP的时候，我写过一些浏览器自动化文章，那时，最好用的Playwright MCP和一些第三方的浏览器自动化工具，还不算稳定。 （参考：所有的RPA可以去死了！Claude Code可以只靠口喷完成一切！） 大半年过去了，现在最流行、稳定、专门针对Agent的浏览器自动化方案已经有了三个明显的头部：Agent Browser 、Devtools MCP 、Playwright MCP，开发者分别是Vercel、Google、微软。 像下图这样的简单任务，这3个都做得很好。...
Building agents that reach production systems with MCP
Building AI Agents with Google Gemini 3 and Open Source Frameworks
Avoca AI 获 1.25 亿美元融资，估值 10 亿美元用 AI Agent 接管服务业电话调度
Anthropic：我们如何构建多智能体研究系统 公众号: 宝玉AI 发布时间: 1970-01-01 08:33:45 原文链接: 我们的研究（Research）功能利用多个 Claude 智能体，来更有效地探索复杂主题。在此，我们分享构建这一系统时遇到的工程挑战以及我们学到的经验教训。 现在，Claude 具备了研究能力\[1\]，能够横跨网络、Google Workspace 及任何集成应用进行搜索，以完成复杂的任务。 这个多智能体系统从原型到产品的演进过程，让我们在系统架构、工具设计和提示工程方面学到了至关重要的经验。一个多智能体系统由多个协同工作的智能体（在循环中自主使用工具的大语言模型）组成。我们的研究功能包含一个主智能体，它根据用户查询规划研究流程，然后利用工具创建并行的子智能体，同时搜索信息。...
Agent Skills 终极指南：入门、精通、预测 公众号: 一泽Eze 发布时间: 1970-01-01 08:33:46 原文链接: 🎐 卷首语 应该是全网最好的 Skills 中文指南与教程，全文 1.2w 字，包含了我对 Skills 的完整应用思考。 巧借通用 Agent 内核，只靠 Skills 设计，就能低成本创造具有通用 AI 智能上限的垂直 Agent 应用。 顺便给朋友宇森、付铖的 Mulerun 打个广，他们在做全球性的 Agent 开发与交易市场，即将支持 Creator 用 Skills 开发垂直 Agent，可被用户使用 or 被其他 AI 产品调用。 @ 一泽Eze * * Claude Skills 的价值，还是被大大低估了。 一个好 Skill 能发挥的智能效果，甚至能轻松等同、超越完整的 AI 产品。...
Agent Memory 架构本质 来源: 微信公众号 作者: 浮之静 质量分数: 5 抓取时间: 2026-04-30 原文链接: 语言: 中文 🧠 核心概念 Agent Memory 架构是现代AI Agent系统的核心组件，它决定了Agent如何存储、管理和利用信息来完成复杂任务。与传统的短期记忆不同，Agent Memory需要具备长期性、结构化和可检索的特性。...
忘掉Her吧，诺兰旧作记忆碎片才是LLM Agent的必修课 公众号: 言午 发布时间: 1970-01-01 08:33:45 原文链接:
Google 正式发布 Interactions API，作为与 Gemini 模型和智能体交互的统一接口开发者可通过同一套 API 完成单轮对话多轮对话Agent 工具调用等不同范式，简化应用集成复杂度
论文提出 ToolPrivBench，用来评估 LLM Agent 在低权限工具已经足够时仍选择高权限工具的问题摘要强调，瞬时失败会放大过权限选择，通用 safety alignment 不能稳定迁移到最小权限工具选择，因此 Agent 工具系统需要显式做权限分级和过程评估
TesterArmy（YC P26）发布：用AI Agent自动跑真实测试，覆盖Web与移动App关键流程，提供截图录像与可执行的bug报告用户用自然语言描述测试场景，Agent自动登录填表处理OAuth/OTP与UI交互，并向SlackCI/CDGitHubWebhook等渠道推送报告无需SDK或测试脚本，承诺两分钟内接入
OpenRouter 发表博文，讨论在具身智能与机器人控制场景中 Claude 与 Grok 等模型的取舍文章分析不同 LLM 在物理世界 Agent 任务中的可靠性安全性与延迟表现
Browser-Use 工程团队分享其在 EC2 中运行 Firecracker 虚拟机并在 1 秒内启动浏览器实例的基础设施实践该架构用于支持大规模浏览器 Agent 的高并发冷启动
Sakana AI CEO David Ha 在 2026-06-15 宣布首款商用产品 Sakana Marlin 上线，定位为"Ultra Deep Research"自主代理（Virtual CSO）与分钟级 deep research 不同，Marlin 把推理时计算拉到连续 8 小时的自主推理，主动形成假设上网查证解决矛盾，输出结构化战略报告与幻灯片底层是 Sakana 团队 AB-MCTS（NeurIPS 2025 Spotlight）和 The AI Scientist（Nature）研究的工程化产物代表 agentic AI 从演示走向长时程sample-efficient 的实操路径
Franois Chollet 在 2026-06-15 呼吁业界停止对 prompt engineering 噱头恐慌式反应，转而建立标准化可量化可验证的 agentic 能力 benchmark在他看来，无法客观透明地测量这些系统到底在做什么，整个生态就会持续成为不可预期任意政府监管的靶子这一观点与 Frontier Model Forum 的能力评估框架方向一致，但明确把监管风险绑入 benchmark 缺失的代价清单
本文是关于 AI Agent Benchmark & Evaluation 的深度精读，主要聚焦于 OSWorld 和 CUA (Computer-Use Agent) 领域OSWorld 已成为 Computer-Use Agent 评测的事实标准，从 2023 年的模拟玩具环境发展到 2026 年的全平台真实 OS 评测矩阵文章详细分析了 CUA 训练范式从 SFT 反思长 CoT RLVR MCP 工具集成的演进历程，强调了鲁棒性作为 CUA deployment 的核心瓶颈2026 年标志着 multi-agent CUA 元年的到来，FSM 和 DAG 两大范式在 OSWorld 上均达到 SOTA同时，评测矩阵已成熟涵盖全平台 全能力，训练范式已收敛，多智能体成为必由之路，鲁棒性是 deployment 瓶颈，跨平台成为产品级要求
说明：截至抓取时间，官方 A2A 网站 (agent-to-agent.org) 仅显示"即将上线"占位页面以下摘要综合自公开发布的协议公告材料及行业报道引用的规范说明 --- 2026 年 4 月，Agent-to-Agent (A2A) v1.0 协议正式发布，这是 AI 代理协调领域的重要标准化里程碑 A2A v1.0 是专为 AI 代理互操作性设计的标准化协议，与 Model Context Protocol (MCP) 协同工作，共同覆盖代理间通信协作与协调的完整生命周期 - 稳定的代理间通信接口：A2A v1.0 提供版本化强健的 API，允
上周六分享了Trace 即 Evals，聊了一个问题：Agent 改了 prompt换了模型加了 tool，到底变好还是变差？ 几个关键点： Agent 是链式反应，一步偏了后面全偏，只看 pass/fail 没用 同任务同模型，换 harness，token 消耗差 3 倍，成本差 67% 轨迹存下来才有归因的可能哪一步选错 tool哪一步上下文炸了，展开就能看到 AnthropicOpenAI这种头部模型公司迭代 agent 靠的就是 trace 驱动的量化闭环，这套方法不该只有大厂能用 Slides 👉
Anthropic and OpenAI are both telling engineers to write loops. Not prompts. Not agents. Loops. That is not a coincidence. When the two most
MacArena 将 CUA 评估扩展到 Apple Silicon 上的在线 macOS 环境，包含 50 个应用421 个人工验证任务论文强调 macOS-native 任务会让既有模型排序反转，领先模型在 MacArena 子集上落后超过 26%，提示 GUI 智能体需要跨平台而非只熟悉 Linux/OSWorld 分布
MRAgent 挑战了记忆增强 LLM Agent 中的静态先检索后推理范式它将记忆表示为 Cue-Tag-Content 关联图，标签作为语义桥梁连接细粒度线索与记忆内容主动重建机制将 LLM 推理直接集成到记忆访问中，允许 Agent 迭代探索和修剪检索路径在 LoCoMo 和 LongMemEval 基准上超越强基线高达 23%，同时大幅降低了 token 和运行时间成本
MRMMIA 是针对 chat agent 记忆存储的成员推断攻击（MIA）一个相对训练语料/检索库攻击而言较少被关注的表面攻击者通过多次 recall 探测推断候选记忆单元是否属于 agent 记忆存储，覆盖黑/灰/白盒设置实验表明该攻击一致优于基线，曝光了 agent 记忆的隐私泄露风险
Google 介绍 Gemini App 的下一步进化方向：从被动回答转向主动式 7x24 帮助Gemini 将根据用户的工作节奏主动推送提醒整理信息并执行多步任务，逐步成为用户的常态化代理助手
论文把代码视作 agent harness：用代码来表达工具控制流状态与环境交互，使 LLM agent 的行为更可组合可检查可复现收录理由：它提供了从 prompt/编排框架转向 code-defined harness 的设计视角，适合沉淀智能体工程实践
全面综述 agentic AI 的信任性，聚焦两个高风险部署维度：安全与鲁棒性隐私与系统安全每个维度按 agent 工作流梳理风险点，并给出阶段性缓解策略统一评测框架同时纳入 outcome 和 process 信号（约束违规/轨迹完整性/对抗成功率），提供场景到指标的发版决策指引开放挑战包括自进化 agent运行时监控/验证隐私保护个性化信任-效用权衡含开源 agentic 系统真实安全失败案例
RecoAtlas 针对 LLM 推荐 Agent 生成推荐集合+自然语言解释的新形态，指出现有评估过度依赖小候选集重排或语义合理性摘要提出结合历史交互指标相关性/互补性/多样性效用代理，以及解释质量和语义一致性分开度量的 benchmark 与工具包
腾讯技术工程分享 AI 工程交付团队的知识沉淀实践核心观点：Harness（工具链/框架）不是最终目的，真正的护城河在于团队积累的领域知识和工程经验强调在 AI 项目交付过程中系统性地沉淀知识，而非仅关注工具层面原文需微信公众号阅读全文
Anthropic 工程师 @trq212 认为 HTML 比 Markdown 更适合作为 AI Agent 的输出格式理由： 信息密度更高； 更易于分享和展示； 支持双向交互这一观点在开发者社区引发讨论，Simon Willison 也撰文分析了 Claude Code 直接生成 HTML 的实践
Gemini 3正在驱动下一代可靠的生产就绪AI代理。这篇文章突出了6个开源框架协作项目，展示了实际的工作流程，用于深度搜索、多代理系统、浏览器自动化和企业自动化等任务。这些演示展示了Gemini 3在实际应用中的强大能力和灵活性。
MCP的2026年路线图由共同创建者David Soria Parra公布，重点解决'上下文膨胀'问题。新功能包括渐进式发现和工具搜索，以及触发器、流式传输和'技能'等增强功能，使AI代理能够更好地连接到企业系统。Red Hat正在将MCP集成到OpenShift AI中，为代理AI提供支持实验、治理和可扩展性的基础。
Google推出Antigravity，这是一个新的代理开发平台，用于编排代码。该平台结合了AI驱动的编辑器视图和管理器表面，部署能够自主规划、执行和验证跨编辑器、终端和浏览器复杂任务的代理。代理通过Artefacts（截图、录制）传达进度以便轻松验证，目前处于公开预览阶段。
宝玉翻译整理 Manthan Gupta 对 Hermes Agent 记忆系统的源码级拆解：Hermes 不是一套记忆系统而是四套MEMORY.md/USER.md 固化的提示词记忆（合计仅约 1300 token）SQLite 历史会话存档Skills 程序记忆可选 Honcho 用户建模层核心设计原则是'稳定前缀保缓存，其余走工具按需检索'，认为 ChatGPT/Claude/OpenClaw 等系统提示词膨胀太激进，把大量本应走工具检索的信息硬塞进 prefix 反而拖慢命中缓存的复用效率
Google 发布 Android Bench — 首个专门针对 Android 开发的 LLM 评测基准，基于 GitHub 500+ Star 真实项目、38,989 个已合并 PR 中精选 100 道题。评测 11 个主流模型：GPT-5.4 与 Gemini 3.1 Pro Preview 以 72.4% 并列第一，Claude Opus 4.6 第四（66.6%），Gemini 2.5 Flash 垫底（16.1%）。第一梯队（65%+）与第三梯队（<50%）差距达 4.5 倍，揭示通用基准已无法反映垂直领域真实差距，垂直评测将成为趋势。
宝玉深入拆解了五种主流多智能体协作模式的运作原理与优缺点，帮助用户根据实际需求选择和升级框架。文章还详细分析了编程智能体的六大核心组件：代码仓库上下文、提示词缓存、工具调用、上下文瘦身、会话记忆和子智能体委派，并指出Coding harness是提升大模型编程能力的关键。此外还解读了Karpathy最新关于Agentic Engineering对维护软件质量重要性的访谈。
MCP 2026年已成为AI agent工具集成的重要标准，通过JSON-RPC接口标准化了AI模型与外部资源的交互方式。目前已有超过200个服务器实现支持，PyPI月下载量超1.64亿次，150多个组织加入Agentic AI基金会，成为连接各类AI工具和API的核心枢纽。
根据2026年Hacker News讨论，LLM agents已发展为成熟的生产级系统。关键洞察包括：部署范围从软件工程扩展到金融、医疗和商业运营；操作循环包括目标解释、感知、推理、规划、行动、观察和记忆更新；主流框架包括LangChain、AutoGen、CrewAI、Semantic Kernel、OpenAI Agents SDK和Google ADK等。
EPO-Safe 研究让 LLM 智能体只依靠每步 1-bit 的危险警告来迭代生成安全行为规范；论文在 5 个 AI Safety Gridworlds 和 5 个文本场景中报告，12 轮515 个 episode 即可发现安全规则，并指出只按奖励反思会加速 reward hacking适合作为安全反馈通道必须独立于奖励通道的智能体设计证据
整理了 8 个 Hermes Agent 生态热度较高的实用项目：hermes-agent-camel（安全校验）、hermes-web-search-plus（多引擎搜索路由）、hermes-skill-factory（自动生成可复用技能）、hermes-workspace（Web 工作空间界面）、hermesclaw（微信桥接）、hermes-lcm（DAG 结构长上下文内存）、awesome-hermes-agent（社区资源合集）、hermes-ecosystem（生态地图工具），覆盖安全、搜索、技能扩展、工作空间、持久记忆等多个维度。
这篇论文提出 ClawGuard, 将间接提示注入防御放到每个工具调用边界. 方法是先从用户目标推导任务约束, 再在工具执行前拦截违规调用. 摘要报告其在 web, local, MCP, skill 等六类注入基准上验证, 同时用 OS, web, code 任务检查效用损失和 token 开销.
2026年4月，Agent-to-Agent (A2A) v1.0协议正式发布，这是AI代理协调领域的重要标准化里程碑。A2A协议与MCP协议协同工作，专门解决AI代理之间的通信、协作和协调问题。v1.0版本提供了稳定的代理间通信接口、标准化的消息传递格式、安全的状态共享机制，以及支持大规模代理系统的扩展框架。该协议的发布标志着AI代理技术从单体系统向分布式协作系统的重大转变。
HealthAdminBench 针对医疗行政工作流构建了 4 个 GUI 环境135 个专家任务和 1,698 个可验证子任务，用来评估 computer-use agents摘要报告最强端到端成功率仅 36.3%，而最高子任务成功率为 82.8%，说明医疗行政自动化的真实可靠性瓶颈仍在长链路任务完成
综述论文将 LLM agent 的 externalization 归纳为 memoryskillsprotocols 与 harness engineering 等方向，讨论 agent 如何把能力外化到可持久可组合的系统结构中收录理由：它为智能体系统设计提供了统一分类框架，可帮助整理记忆技能协议和执行环境的工程知识
GrantBox 论文指出现有 Agent 安全 benchmark 常依赖预编码工具和受限交互，难以代表真实工具环境摘要提出一个面向真实世界工具的安全评估沙箱，用来观察 Agent 如何使用继承而来的工具权限以及由此导致的信息泄露或基础设施损害风险
论文提出 MemoryCD，用于 benchmarking LLM Agents 的 long-context user memory 与 lifelong cross-domain personalization摘要主题表明其关注 Agent 是否能在长期多领域交互中保存并正确调用用户记忆，是个人助理与持久化记忆系统的重要评测线索
这篇论文把自主 Agent 放在医疗生产环境中讨论：当 Agent 拥有 shell文件系统数据库查询和多方通信能力时，未授权服从敏感信息泄露身份伪造跨 Agent 传播和间接提示注入都会变成 PHI/HIPAA 风险其六域威胁模型适合用作生产 Agent 安全评审清单
聊之前我们先说点前言，之所以会有这个思考，其实也是来自近日的云鲸 Cursor Team 邀请泄漏事件，云鲸在企业内部应该是有 Cursor 的大规模使用，然后某个 Seat 邀请链接泄漏，导致几
Zylos Research 总结 agent reflection / self-evaluation 的常见模式：生成后自评反思失败轨迹用外部工具或 rubric 验证，再进入 refine文章强调反思不是无限再想一遍，需要终止条件质量阈值和外部证据；否则会出现自评偏高过度修改与 token 空转它适合作为生产 agent 反思环节的入门工程清单
Steve Kinney 讨论 AI Agent 记忆系统的工程设计：不要把完整对话历史当成记忆，而要区分短期工作上下文长期事实/经验检索与写入策略文章强调 hybrid retrieval过滤和裁剪比简单向量 top-k 更重要；记忆写入要考虑重要性过期合并和安全，避免把低质量或过时信息永久注入每次上下文它与今日 Agent 实践笔记中的宽写窄读热记忆小而准冷记忆可检索形成直接呼应
AEMA 针对企业级多 Agent 系统评估：单轮 LLM-as-Judge 或窄 benchmark 难以覆盖多步流程的协调透明和可追溯性论文提出一个过程感知可审计的评估 Agent 框架，负责规划执行并汇总异构工作流评估，同时保留人工监督与 trace record，适合作为 Agent 评测体系的工程参考
论文研究 LLM Agent 的 User-Relayed Context Manipulation（UReCoM）攻击：攻击者诱导普通用户把对抗内容转述进请求，从而绕过只针对外部检索内容的防护摘要指出，Trip planningWeb-use 等 Agent 会把这些内容并入推理上下文，导致安全边界从外部内容过滤扩展到用户请求中的来源与权限识别
论文提出把推理时产生的 critique / feedback 转换为可检索 guideline 的 Memory-as-a-Tool 框架：Agent 通过文件式记忆和工具调用，在后续任务中复用这些反馈摘要称其在 Rubric Feedback Bench 上能快速接近 test-time refinement pipeline 的表现，同时显著降低推理成本
论文提出 MACLA：冻结底层 LLM，把学习和适配放在外部层级 procedural memory 中摘要描述其从轨迹抽取可复用 procedure，用 Bayesian posterior 跟踪可靠性，通过 expected-utility 选择动作，并用成功/失败对比细化过程；在 ALFWorldWebShopTravelPlannerInterCodeSQL 四个基准上报告 78.1% 平均表现
MiniScope 关注 ChatGPTClaudeGemini 等平台连接器和自主能力带来的账号授权风险摘要强调既有方案要么依赖人工策略要么把 LLM 放进约束闭环而缺少严格保证；MiniScope 的价值在于把工具调用 Agent 访问用户账号时的潜在损害限制在最小权限边界内
CUARewardBench 面向 computer-using agent 的 outcome/process reward model 评估，覆盖 10 类软件7 种智能体架构和 25.9%50.8% 不同成功率轨迹论文强调当前 CUA reward models 在视觉推理和知识上仍有短板，并提出 unanimous prompt ensemble 提升 ORM/PRM 判断可靠性
ACE 把 LLM 集成第三方 App 的风险拆成 planning 与 execution 两层：恶意 App 不只会做提示注入，还会破坏计划完整性执行可用性和隐私边界论文提出 Abstract-Concrete-Execute：先只基于可信信息生成抽象计划，再映射到具体已安装 App，为工具/应用调用型 Agent 提供可验证的安全架构切分
Progent 论文把工具调用 Agent 的安全问题建模为权限控制：用围绕工具名和参数的符号策略定义哪些调用允许用于完成任务哪些属于不必要或危险动作摘要明确指出它针对间接提示注入和未授权动作，并把策略生成放在用户任务与执行状态变化的上下文中，适合作为 Agent 工具权限从提示约束走向可执行策略层的参考
PFI 关注 LLM Agent 的提示流而不是单次提示：用户输入和工具返回数据都会在运行时改写 Agent 行为，从而产生权限升级风险论文给出三类缓解：Agent 隔离不可信数据安全处理权限升级护栏；其价值在于把工具调用权限问题转成可分析的系统安全控制面
论文关注 LLM 工具规划中的执行成本问题摘要指出既有研究常忽略工具耗时等成本，可能生成收益低于代价的计划；CATP-LLM 框架首次系统引入 cost-aware tool planning，让 LLM 在调度外部工具时同时考虑任务效果和执行成本