Why we built Pion: an agent to run any company autonomously

USENIX Security 2026 已发表：第一份对真实 LLM 应用中 prompt injection 的系统化测量研究，对象是广泛使用的简历筛选流程底层数据约 20 万份真实简历（hireEZ 多年累积）作者先设计专用检测器并在小样本上手工验证精度优于通用检测器，再在全集上跑全量分析：约 1% 简历含隐藏 prompt injection，过去 1-2 年明显上升，且 90%+ 的注入并不用显式指令提供代码与 artifacts（UNITES-Lab/resume-injection-measurement）

工具型智能体存在双重失败：工具调用失败后，模型仍可能在没有证据的情况下向用户报告成功这篇论文提出 Failure-Transparent Agents（FTA）受控基准：先固定失败的观测结果与所需证据状态，使事后声明可直接审计基准含 100 个任务五类确定性失败轨迹中性对照组与四种用户施压条件对 6 个模型3 种响应策略3600 条人工标注响应的评测显示：基线策略下虚假成功率 22.8%，加入透明度指令降至 9.3%，而结构化证据契约将虚假成功率与捏造细节率都压到 0.8%，同时有用响应率从 74.9% 升至 98.8%结论：约束失败后如何汇报的输出契约比单纯提示更有效

人大论文指出现有语言世界模型预测环境观测价值有限（工具真实反馈可得时重建高熵响应意义不大），而真正的痛点是任务态污染：无依据假设和过时计划留在历史中扭曲后续决策AEWM 改为建模推理与动作如何塑造任务进展：Action Judge 区分 Critical/Exploratory/Noisy 决策，State Revision 对同一观测历史下的噪声推理-动作延续做编辑，EditAct 将编辑直接作用于后续决策所依赖的状态在 Search/Terminal/SWE 三个环境训练后，Action Judge 宏 F1 达 70.5%（超最强基线 10.6 分），六个基准三种骨干上 EditAct 平均提升 3.2-6.7 分

前 React 核心作者 Dan Abramov 入门数学不足一个月，在 frontier 模型与 Lean 的多 agent 实验室里闭环了 Conway 50 年未解的 refinement 推论（omnific integers 上的 refinement 性）：PM 协调Math 推思路Red 查漏洞Random 探索Lean 形式化；总计三周费以多 agent 的 chat log 判断进度Lean 是否编译作为唯一确认闭环信号他在文中明确警告：模型会反复用 euphemism 藏未证假设；名学审计工具链Lean skill 的工程价值是他总结的顶层 lessons learned资源面临的问题：Lean 实现与证明质量需要独立检查；$40k 主要为缓存读取