Framework & Architecture
框架設計、編排架構、scaffold、workflow engine、持久執行
多代理系統中的安全規範不會自動持續有效——它們會在記憶存取、任務委派、工具呼叫等七個環節中悄悄弱化，這篇命名為「約束漂移」並提出分類框架。
arxiv: 2605.10481用「有沒有可見的領導者」做 AI 實驗：當多代理系統的協調者是隱形的（工作代理不知道有人在指揮），整個系統的保護性行為顯著下降——對流行的 orchestrator 架構是直接的設計警示。
arxiv: 2605.13851微軟把人腦六大記憶機制（睡眠整合、干擾遺忘、記憶成熟、提取再鞏固、知識圖、混合提取）搬進 LLM Agent，在真實 codebase 資料上讓記憶庫壓縮 58%、保住 97.2% 資訊精確率。
arxiv: 2605.08538對資料查詢型任務（text-to-SQL、知識庫問答），先一次生成完整計劃再批次執行，比每步都重新推理可省 2–4.7x token，且準確率相當——顛覆 ReAct 逐步推理的預設。
arxiv: 2605.08477借用神經科學的「後繼表示」矩陣，用三個數學量在部署前預測 multi-agent 系統選 Chain、Star、Mesh 哪種拓撲時會出現觀點漂移、假共識或不穩定三種失敗模式。
arxiv: 2605.11453把 REST API 包成 MCP tool 就能讓 agent 用了？研究者掃描 600 個生產 endpoint，發現每一個都至少有一個讓 agent 看不懂的「文件問題」，平均 4 個，並提出 Hermes 系統自動偵測和報告這些問題。
arxiv: 2605.14312不同使用者面對相同任務，agent 應該有不同做法——這篇把「個人化」從 prompt 層面深入到 RL 訓練層面，提出三組件框架（PARPO + 偏好解糾纏獎勵模型 + PSGM 圖記憶）讓 agent 在學習時就把個體差異嵌入。
arxiv: 2605.23382現行 agent benchmark 的「成功率」可能是假的——只因為 agent 按了「存檔」就算過，但根本沒存到對的地方；本篇提出一個加在現有 benchmark 上的驗證層，把單一分數改成「有依據的分數區間」。
arxiv: 2605.10448用 agent 自動生成整套 LLM serving 程式碼（含快取、排程、記憶體管理），在特殊部署場景下打贏手工優化的 vLLM，標準場景則和 vLLM 打平。
arxiv: 2605.06068你以為 agent 的效能瓶頸是「prompt 太長」——錯了。真正的瓶頸是 token 生成速度與 KV-cache 管理，serving 系統需要為此重新設計。
arxiv: 2605.26297在 agent loop 裡找資料，直接用 grep（字串比對）往往比向量搜尋（semantic search）更準——但真正影響結果的是你用哪個 harness，不只是搜尋方法本身。
arxiv: 2605.15184Microsoft 開源完整的 agent 模型訓練框架，讓小模型靠資料蒸餾 + 特製 RL 在 SWE / GUI / 助理任務上達到同量級開源 SOTA，不需要依賴 GPT-4o API。
arxiv: 2605.15040業界教你「怎麼接線」，學術界教你「agent 在想什麼」——這篇說兩個都要，並提出雙軸框架幫你把兩種語言對起來。
arxiv: 2605.13850AI 研究 agent 生成的想法比人類更集中、更接近舊文獻、且更不可能被後來研究引用——大規模實驗顯示 AI 擅長「在已知附近深挖」，不擅長「真正往未知方向探索」。
arxiv: 2605.27905做了個 benchmark，發現 GPT-4.1 和 Qwen3-32B 在「看懂自己失敗原因」這件事上通過率不到三成，而且就算讓 agent 讀了失敗案例去學習，隨著雜訊案例累積，它還是會把早期教訓給忘掉。
arxiv: 2605.29225現有 agent framework 太重視自主性、太少想「萬一出錯」，這篇從企業 SaaS 生產環境提煉出三個治理機制：按風險分層審查、提案與執行分離、驗證失敗自動恢復。
arxiv: 2605.10223把保險精算的概念搬進 agent runtime：每個 agent 動作都先「定價」，對照保證金預算決定是否允許執行；附一把量尺（Authority Frontier）顯示不同預算水位下 agent 能釋放多少自主空間。
arxiv: 2605.25632給 agent 加上「先想清楚再行動」的智慧開關：複雜任務啟動 world model 在腦中預演，簡單任務直接反應，30B 模型因此少用高達 95% 的 token 仍能競爭過 1T 參數系統。
arxiv: 2605.22138把 LangGraph / CrewAI 那種「外掛流程圖」直接燒進小模型的參數裡，推理時成本降低 128–462 倍，效果接近 frontier model。
arxiv: 2605.22502不再把過去成功/失敗經驗轉成文字塞進 context，改成在 LLM 隱層向量空間做檢索與整合，12/13 benchmark 最佳，零樣本跨域遷移提升 16.32%。
arxiv: 2606.01041第一份記錄真實 Agent 系統「每完成一個任務到底花了多少 LLM 呼叫」的 token 級軌跡資料集（GAIATrace），外加可低成本重播的模擬器（Vidur-Agent）。
arxiv: 2606.01725現有的 Agent 持續學習 benchmark 大多太寬鬆，分不出「Agent 真的把前面任務學到的知識用在後面」還是「後面任務本來就比較簡單」；AgentCL 透過刻意設計任務間的可複用性來修正這個缺陷。
arxiv: 2606.02461Agent 遇到工具庫裡沒有的場景，不再說「我做不到」，而是走過「判斷 → 找工具 → 調整參數 → 自行鍛造新工具 → 存回庫」五步閉迴路，實現工具能力的自我進化。
arxiv: 2606.01801用 LLM 自動學習各框架 API 並寫 agent 程式碼，首度在四個 benchmark 上量化比較主流 ADK：最佳框架達到 80% 任務完成率，中位數只有 32%；而「誰寫 agent 程式碼」比「agent 跑哪個 backbone 模型」對結果影響更大。
arxiv: 2606.05548讓多個不同的 LLM 一起做強化學習訓練、彼此不互相干擾，一個 agent 環境崩潰不拖垮整個訓練；透過 timeline merging 讓訓練速度提升 1.5x～10x，完全開源。
arxiv: 2606.04484現實任務的規則不會一次告訴你——規劃途中違反規定才會被反饋。UIUC 團隊建立了模擬這種場景的 benchmark：307 個家務任務加上隱藏的雙重限制，邊做邊揭露，測試 10 個頂尖 LLM 後最好只有 67.75%，使用者限制比環境限制難多了。
arxiv: 2606.05622Multi-agent 系統裡 agents 之間傳文字很貴又有資訊損失，這篇 survey 整理「改傳 embedding / hidden state / KV-cache」的研究現狀，提出分類框架，幫你評估這條路能否用在你的 agent 系統。
arxiv: 2606.05711100+ 位真人開發者跟「會暗中插入惡意程式碼」的 AI agent 一起寫程式五小時，94% 的人沒抓到。
arxiv: 2606.05647一個 AI「優化 agent」不只幫你寫更好的 system prompt，也同時把自己的 system prompt 一起優化——不改模型，在五個 benchmark 上平均提升 4.49 分。
arxiv: 2606.04465在 agent 呼叫工具前，先撈出過去類似對話的成功路徑和失敗反饋作為提示，不需重訓模型就讓工具呼叫準確率大幅提升。
arxiv: 2606.07909把六個「AI 輔助軟體開發流程框架」用六個維度系統打分比較，幫你看清楚各框架在需求規格、角色分工、驗收等面向的強弱——注意這不是 LangGraph 那類 runtime，而是「怎麼跟 AI 合作開發」的工作方法論。
arxiv: 2606.04967API 出錯時，給 agent「結構化修復建議清單」比「自然語言錯誤說明」更有效：任務完成率提升 37–40 個百分點，token 效率也高出近 2 倍。
arxiv: 2606.05037傳統 OS（進程、執行緒、系統呼叫）是為確定性程式設計的，但 agent 是長期存活、目標驅動、會隨機應變的生物——這篇主張我們需要一個「Agent OS」來接管排程、記憶體、安全和治理。
arxiv: 2606.01508用 LLM 模擬使用者評估 agent 很省力，但「虛擬使用者夠不夠真、測得夠不夠全？」一直沒有量化答案；VISTA 提出 6 個品質指標 + 同時支援 UI 操作和 API 呼叫的 hybrid 模擬器，在電商和客服場景都比現有方法更全面可信。
arxiv: 2606.11079傳統軟體把決策邏輯寫在程式碼裡；Agentic Software 的決策邏輯在執行時由 LLM 動態生成，程式碼只是工具——這是軟體本質的轉變，不是工具升級，對 agent 平台的設計和除錯方式有直接影響。
arxiv: 2606.05608把 Agent 的「執行記憶」整理成階層式筆記資料夾，讓 Agent 用 Bash 工具自己去翻找需要的資訊，而不是把所有歷史全塞進 prompt。
arxiv: 2606.11680訓練 Agent 時大部分的「跑樣本」都在浪費算力；TRACE 用樹狀結構把 rollout budget 導到最有學習價值的岔路口，同樣算力讓 Multi-Hop QA 多學 2.8 分。
arxiv: 2606.11119針對多輪對話推薦 Agent 打造可機器驗證的 benchmark，用結構化條件取代 LLM 打分；最大發現：連最強模型連跑四次的成功率也只剩 38%。
arxiv: 2606.1015617 位開發者訪談揭示 4 種「自發監督行為」，但現有 agent 框架的 UI 幾乎沒有支援其中 2 種。
arxiv: 2606.05391agent 系統還不穩定就上線時，傳統任務層監控會失靈；這篇提出 3×3 監控框架，幫你找出「哪根線沒接好」。
arxiv: 2606.02494不想每次框架升級就重寫 agent？這篇給你從 LLM API 底層到上線維護的完整方法論：兩個前提條件（substrate + building blocks）加上三個持續實踐，比「先 pip install langchain」更底層也更持久。
arxiv: 2606.11869讓 Agent 自動提假設、跑實驗、迭代改進的瓶頸，不是 LLM 能力而是「環境怎麼設計」——清華這套系統靠容器隔離和清楚的評分介面，在多個科研任務達到 SOTA。
arxiv: 2606.13662Agent workflow 不必每次重新生成（貴），也不必只有一個萬用版本（差）——預計算一個多樣化 workflow 倉庫，推論時用圖神經網路路由，比最強自動化方法高 4.26%、比最強手工設計高 14.92%。
arxiv: 2606.11290多 Agent 系統裡，給每個 Agent 一個全域信任分（「它平均有多好」）在很多情況下會路由錯誤——但改成技能維度的細分信任，又會在特定條件下被惡意 Agent 劫持，路由失誤率從 0 飆到 0.94。
arxiv: 2606.14200LLM Agent 在完成任務的過程中，會一點一點把使用者隱私洩漏給外部服務；OCELOT 在 Agent 和外部世界之間加了一個「洩漏預算員」，讓攻擊者從整條 trajectory 中能推斷出的秘密量不超過上限 ε。
arxiv: 2606.12341Agent 常常「以為自己知道」使用者的意思，其實只是靠假設在行動；ACCORD 讓 agent 在每個行動前主動去環境裡確認「我真的有這個資訊嗎？」，AppWorld 成功率從 42% 跳到 62.6%。
arxiv: 2606.16432「多 agent 系統一定比單 agent 強」是業界共識，但這篇的實驗顯示：自動生成的 MAS 在計算成本高出 10 倍的情況下，竟比不過單模型加 CoT-SC。
arxiv: 2606.13003在新建的 GitHub 專案裡，AI coding agent 的採用率是一年前同類研究的兩倍以上，而且每個採用者用得更深，AI 輔助的 commit 比例更高。
arxiv: 2606.07448把多個 AI agent 放在同一個平台互相借用解題思路和失敗記錄——就像科學家交流論文草稿一樣——成功讓集體 agents 在數學難題上找到 12 個人類和 AI 都沒解出過的新最佳解。
arxiv: 2606.10402Agent 自我演化不只是改 prompt 一件事；APEX 同時演化三層：執行環境（harness）、行為原則（principles）、工作流程拓撲（topology），在有 114 筆真實任務軌跡的生產 agent 上驗證。
arxiv: 2606.15363讓 LLM agent 做經濟分析時，不直接輸出數字，而是先找對應的正式計量模型執行一遍，再用模型輸出寫報告——每個定量聲明都能追溯到具體的計算來源，不靠 LLM 猜。
arxiv: 2606.20041Perplexity 的真實生產數據：把功能從「對話搜尋」升級為「自主 agent」之後，每次任務自主執行時間從 33 秒跳到 26 分鐘、完成時間縮短 87%、用戶滿意度更高——而且 agent 吸引了認知複雜度更高的工作類型。
arxiv: 2606.07489Agent 的 scaffolding（prompt + 工具 + 記憶 + 流程）可以讓 LLM 自己挖出弱點、自己修——不需要人工介入、不需要更強的外部模型；三個主流模型在 Terminal-Bench-2.0 上各獲 33-60% 相對提升。
arxiv: 2606.09498工具呼叫 agent 常常「知道事實卻用錯」：資訊都在 prompt 裡，但每次決策時 LLM 需要自己從文字中重建狀態，一旦重建出錯就違反政策或拿陳舊資料做決定。LedgerAgent 在 agent 迴圈中插入一個明確的型別帳本，把狀態從 prompt 文字裡分離出來，不需要任何微調。
arxiv: 2606.20529現在的 agent 每次任務都從零開始，不會「越跑越聰明」。Alibaba 提出 Connect the Dots (CoD) 框架：用強化學習訓練 agent 在長期部署中邊執行任務邊更新對環境的認識，並讓這個學習能力跨領域遷移。
arxiv: 2606.20002跨多台設備的 agent 執行失敗時，別急著全部重來——先讓設備端自己試著換個方式（API → CLI → GUI），不行再往上呈報給總指揮。
arxiv: 2606.20487MCP、A2A、ACP、ANP 這些 Agent 通訊協定到底差在哪？TU Munich 分析 9 個主流開源協定，給出第一份技術分類法，讓選協定從「哪個比較紅」變成「哪個技術特性符合我的需求」。
arxiv: 2606.19135AMD 提出 Arbor：把「樹狀搜尋」當作多 Agent 系統的共享工作記憶，讓 Orchestrator、Specialist、Critic 三類 Agent 圍繞同一棵搜尋樹協作，失敗的嘗試也被保留為後續探索的診斷訊號。
arxiv: 2606.12563現有評測只看 coding agent 有沒有解對題，RigorBench 首次用「解題過程是否有工程紀律」打分，評估計畫能力、驗證覆蓋率、錯誤恢復、節制行動、原子提交五個維度。
arxiv: 2606.22678把 LLM multi-agent 系統推向企業生產的兩大卡點是「Domain 適配」和「推理成本」，這篇提出兩階段框架：先客製化（持續預訓練 + SFT + 偏好最佳化），再加速推理（推測解碼 + FP8 量化），實測吞吐量提升 4.48 倍。
arxiv: 2606.18502AI agent 已參與軟體開發全流程，但「哪些決定讓 AI 做、哪些要人批准」目前只靠 prompt 描述，容易漂移也無法驗證；這篇提出一套 DSL 讓你把這些邊界寫成可機器驗證的協議規格。
arxiv: 2606.20615大家評估 Agent 記憶體都只看「答對幾題」，但忘了問「這個設計貴不貴、知識更新後會不會崩掉」——這篇從資料庫角度把記憶體拆成四個可以分別量測的系統模組。
arxiv: 2606.24775一本寫給工程師和 PM 的 Agentic AI 全棧指南，從 Transformer 架構到 MCP/A2A 協議、multi-agent 架構，每章附代碼範例，可當手邊參考書長期使用。
arxiv: 2606.24937把 Linux「process」的設計哲學搬進 Agent：每個 agent 有自己的 ID、能力表、記憶體與稽核記錄，工具只是 wrapper，真正的控制邊界在 runtime 核心。
arxiv: 2606.03895Meta FAIR 把「建資料集」這件事做成 agent：agent 自己設計資料配方、評估品質、修改配方，並透過 meta-optimization 讓這個 data scientist agent 越來越會產高品質資料。
arxiv: 2606.25996在銀行等受法規限制的環境，不是每個 agent 動作都要人類審批；GAIE 提供一個決策框架，依風險分三層監督，讓企業在合規前提下保留約 91% 的 coding agent 效率。
arxiv: 2606.22484大多數 coding agent benchmark 只看最終有沒有修好 bug，但「先找到要改哪幾行」這個中間步驟才是瓶頸——這篇論文專門拆開來測這一步。
arxiv: 2606.07297同一個 AI backbone，換個 adapter 設計，Pass@1 從 19% 跳到 73%——這篇揭示你以為在比模型，其實在比框架設計。
arxiv: 2606.12344AI agent 越來越強，但評測系統一直是靜態的——這篇論文讓「評測 agent 的系統」也跟著 agent 一起自我進化，打破靜態 benchmark 的天花板。
arxiv: 2606.26294把大模型訓練成「虛擬環境的扮演者」，讓 AI agent 在這個假世界裡反覆試錯，七種環境（工具呼叫、網頁操作、終端機等）一次全包，旗艦版模擬準確度首次超越 GPT-5.4
arxiv: 2606.24597快手用多 Agent 系統全自動化推薦算法研發週期：從想法生成、寫代碼、A/B 測試到上線，三週讓每位工程師當量的可落地產出提升 13.8 倍，帶來年化超億元人民幣收益
arxiv: 2606.26859把「用戶模型」從一堆文字筆記，升級成可以直接執行的 Python 程式碼，讓 Agent 不只能「查詢事實」，還能對用戶狀態做計算與邏輯推理。
arxiv: 2606.16707把 Multi-Agent 系統裡「一個主管分派所有任務」的架構，換成「所有 agent 共讀一個驗證過的進度表、自己搶任務」——SWE-bench 上省 50% 成本，還拿到更高分。
arxiv: 2606.10662精心訓練的 agent（不論 SFT 還是 RL）放到和訓練時不一樣的環境，表現就會明顯下降——這不是個別模型問題，而是系統性問題。
arxiv: 2607.01084把寫量子程式這件「需要深厚專業知識」的事，拆成 6 個角色分工的 agent 流水線，讓非量子專家只需白話文需求就能得到可執行的量子應用程式。
arxiv: 2607.00939Agent 的個性表達不是越強越好：實驗發現「中等強度」在信任感、智慧感和愉悅感上都勝過低強度和高強度，且動態切換 persona 比固定一種更受使用者歡迎。
arxiv: 2607.01034大家擔心 multi-agent 系統愈來愈黑箱，這篇反過來論證：LLM agent 集群因為用自然語言溝通，天生就比傳統複雜系統更透明可解讀。
arxiv: 2607.01047不改模型、零訓練，推理時用「模型自己的注意力分數」遞迴挑出相關片段重播給模型，顯著改善 LLM 在 128K 長文中找不到答案的問題。
arxiv: 2607.02509給 LLM agent 一個「沒人在看」的私密頻道，它說的話和公開說的差很多——在有社會階層差距的情境下，divergence 從 3% 基準線跳到約 40%。
arxiv: 2607.02507把資料庫的「交易（Transaction）」概念移植到 Agent 工作流程：LLM 輸出的每個動作都是「未信任提案」，要先通過明確的規則驗證才算數；違規則自動修復或回滾，不讓語意錯誤的 Agent 動作污染生產狀態。
arxiv: 2607.00269把多輪文獻搜尋問題化成「建 DAG 工作流程」：Agent 不只是用關鍵字搜尋，而是主動組合搜尋算子（展開引用、過濾、重排序⋯⋯），並根據用戶回饋修改整個工作流程本身；9B 小模型訓練後 Hit@5 從 58 提升到 77，執行錯誤率降到 0%。
arxiv: 2607.00597SEA：讓 Agent 在邊跑邊自我改良的同時，每次改良都需通過「可驗證安全門（anytime-valid gate）」並發出可稽核憑證，確保每次自我更新都有明確的錯誤預算上限，不會默默變差。
arxiv: 2607.00871Agent 程式可能陷入「停不下來的迴圈」，本文開發靜態掃描工具 IAL-Scan，評估 6,549 個真實 repo，精準度 91.9%，發現這是比想像中普遍的系統性問題。
arxiv: 2607.01641為 agent 程式碼建出一張「依賴圖」，讓你看清這個 agent 用了哪些模型、prompt、工具、記憶體，並自動偵測有危險的「prompt 到高權限工具」路徑；支援 5 大主流框架，分析了 5,399 個真實專案。
arxiv: 2607.01640現有 Agent benchmark 太「貼心」了——工具幫你備好、輸入幫你洗乾淨；AgentGym2 偏偏把這些拿走，逼 Agent 自己找工具、應對髒資料，揭露真實能力缺口。
arxiv: 2607.05174有人能偷偷修改 Agent「以前是怎麼想的」，讓它以後做壞事，而且現有所有防禦都擋不住。本文提出攻擊手法 FARMA 與對應防禦 SENTINEL。
arxiv: 2607.05029研究者造了一套自動化安全測試框架 Vera，去測了 4 套真實部署的 Agent 框架（含 Claude Code），在多通道攻擊下平均攻擊成功率 93.9%，並公開了 1,600 個可執行安全測試案例（Vera-Bench）。
arxiv: 2607.01793當多個用戶共用同一個 Agent 時，Agent 很容易把 A 用戶的私人資訊洩露給 B 用戶。PiSAs 提出針對這個場景的 benchmark，揭示現有 SOTA 模型在多用戶隱私保護上仍有嚴重缺陷。
arxiv: 2607.05318Snowflake 等雲端資料平台已把 LLM 直接嵌入 SQL（AI_CLASSIFY、AI_COMPLETE 等函式），但現有 text-to-SQL benchmark 完全沒覆蓋這類「AI-native SQL」。本文建立 465 個任務的評測集，最強模型準確率僅約 67%，是資料 Agent 的全新能力缺口。
arxiv: 2607.06229Agent 失敗記錄通常有兩個問題：太多條都在描述同一種失敗（冗餘），而且每條記錄裡大半步驟都和失敗無關（噪音）。STRACE 先在批次層面把重複失敗過濾掉，再對每條軌跡做因果定位，只保留真正「導致失敗」的步驟，讓優化器瞄準真實根因——在形式驗證任務上成功率從 42.5% 提升到 58.5%（1.4×）。
arxiv: 2607.07702自我進化 Agent 靠「壞技能失敗 → 被淘汰」來維持技能庫品質，但這個機制假設評審者是公正的。本文用理論分析和實驗證明：LLM judge 的 false-pass bias（把失敗判為成功的偏差）一旦超過某個閾值，技能淘汰機制就會被靜默地關掉——不是變慢，是完全停擺；且增加多少數據都救不回來。
arxiv: 2607.07436把複雜 web 研究任務遞迴分解給多層 agent 並行分工，克服單一 agent 同時「廣又深」的 context 限制——本文仍為 work in progress。
arxiv: 2607.08662多 Agent 系統裡若有一個 agent 被惡意操控，AcMAS 不靠看文字、直接分析 LLM 內部神經狀態來偵測，在非同步執行環境下 F1 比圖方法高出 +0.55，且對隱蔽攻擊仍有效。
arxiv: 2607.06807Coding agent 在大型 repo 找參考程式碼時，傳統方法靠「長得像」或「名字像」——ProjAgent 新增「解題步驟像」這個維度，在 REPOCOD 測試集上達到 41.14% Pass@1，超越所有 retrieval 型 baseline。
arxiv: 2607.08691你以為換 harness 只是換工具集，但這篇發現：同一個 LLM、同一個任務，光是換 harness 設定，agent 的中途判斷（對風險、進度、下一步的理解）就會大幅偏移——harness 在重塑 agent 的世界觀。
arxiv: 2607.04528把記憶體存取從「工具調用（100ms）」變成「同程序存取（100μs）」，agent 在 12 步任務中的冗餘行為從 7.2 次降到 0——延遲不只是工程效能問題，它從根本上改變 agent 推理的品質。
arxiv: 2607.05690把 agent 的多步任務畫成「依賴關係圖」，讓沒有相依的步驟並行跑、失敗時只重算受影響的部分——不需要更大的模型就能大幅提升成功率。
arxiv: 2607.01942現有手機 agent 都靠「模擬點擊螢幕」操作手機，PalmClaw 改成直接呼叫裝置 API：任務成功率提升 11.5%、完成時間縮短 94.9%，而且每一步的執行邊界清楚得多。
arxiv: 2607.13027提出 IoAT（物聯智能體網路）架構：把 AI agent 擴展到 IoT 設備層，讓 agent 不只在雲端對話，還能協調感測器、邊緣運算、數位孿生——從「語言 agent」走向「物理世界 agent」。
arxiv: 2607.12662教搜尋型 agent「在不確定時說我不知道」：動態調整 RL 訓練中的棄答獎勵，讓 agent 主動拒答而非亂猜，精準度最高提升 10.3%。
arxiv: 2607.10738為長期具身機器人打造一個「agent OS」：用多模態知識圖譜記憶 + 隔離式技能執行 + 多階段驗證，解決長任務中記憶消失與技能互相干擾的問題。
arxiv: 2607.10350把 agent 的記憶體操作（要不要取、何時忘）變成一個小型強化學習問題，讓 agent 邊跑邊自學最佳策略，不用改底層記憶體實作。
arxiv: 2607.13591目前最強的 agent 在「應該拒絕行動」的情境下答對率不到 60%，而且這個「棄動能力」和「任務解決能力」根本是兩回事——你沒辦法靠換一個更強的模型來解決。
arxiv: 2607.10059把 agent 系統拆成三張圖來描述，讓元件可以重複使用、執行路徑可以視覺化追蹤，降低複雜多 agent 系統的設計與除錯成本。
arxiv: 2607.13474只要改掉 README 或 requirements.txt 裡的套件名稱，AI coding agent 就會安裝你指定的惡意套件——而這個漏洞主要跟你用哪套 harness（框架）有關，換模型沒太大用。
arxiv: 2607.15143Position paper：以電網研究為案例，展示如何用 MCP（Model Context Protocol）把 LLM agents 接上專業領域仿真工具，並在嚴格需要 human-in-the-loop 的工業流程中落地 multi-agent AI。
arxiv: 2607.14158統合分析（meta-analysis）本來要幾個月人工，AutoSynthesis 用 multi-agent 流水線把它變成：輸入一個研究問題，輸出一份符合學術規範（PRISMA）的完整分析報告。
arxiv: 2607.15247RLHF 訓練讓 LLM 太「溫和」，無法扮演立場鮮明的政黨談判者。這篇用 DPO 灌入黨派人設、用 RAG 綁定黨綱，打造能維持強硬立場的 agent，再讓他們模擬真實選後的多黨組閣協商。
arxiv: 2607.15095agent workflow 裡每個節點該用哪個 LLM？Dyserve 用 ILP 在 60ms 內算出最優解，比 baseline 精準度高 3–10 個百分點、延遲低 1.1–6.8 倍，工具失敗時還能自動恢復 84% 的案例。
arxiv: 2607.02942multi-agent pipeline 壞了不知道從哪查起？AgentLocate 自動找出「哪個 agent 該負責」加上「哪一步開始不可挽回」，比現有方法更準且更省 token，COLM 2026 accepted。
arxiv: 2607.07989你以為頂尖 LLM agent 能搞定多語言工作流？PolyWorkBench 用 67 個跨 5 大領域的真實任務揭示：多語言設定讓 agent 表現大幅下滑，推理和執行步驟都會受到複合式衝擊。
arxiv: 2607.06008讓 Agent 的長期記憶可以串聯多個人物資訊來回答問題，不再只是「問誰就找誰的資料」，而是能自動沿著人際關係跳躍推理。
arxiv: 2607.19359把 AI Agent 寫成一個普通的 Python class：欄位是狀態、方法是動作、docstring 是 prompt；方法本體只寫 `...` 那行，執行時由 LLM 補完，其餘方法照常執行。
arxiv: 2607.20709深度研究 Agent 跑兩個嵌套迴圈：內層收集證據、外層逐條驗證約束並針對未解決問題再次研究，搭配自動壓縮歷史的工具，在 BrowseComp、HLE 等主流基準上顯著超越同量級 baseline。
arxiv: 2607.21461現有 coding agent benchmark 只考「照規格寫程式」，ICAE-Bench 加入了「聽懂模糊需求、主動追問、一邊做一邊調整」的互動式情境，更貼近 vibe-coding 時代的真實需求。
arxiv: 2607.21217Agent 自我進化聽起來很炫，但這篇首次嚴格測量「能力到底有沒有真正轉移」，結論嚴峻：主流方法不只沒幫助，還會倒退 12.3 分。
arxiv: 2607.05202一種新的攻擊方式：不用偽裝成「指令」，只要偽裝成「可信資料格式」就能讓 Agent 做壞事——Claude Code、Codex、Gemini CLI 和三個 web agent 全部中招，可以被遠端執行任意程式。
arxiv: 2607.051203B 參數的小模型，用「迴圈式 Transformer」架構 ＋ 28T tokens 預訓練 ＋ 三階段 agentic RL，在 SWE-Bench Verified 拿下 63.6 分，壓過 Qwen3.5-9B（53.1）和 Gemma4-12B（44.2），已開源於 HuggingFace。
arxiv: 2607.22083MCP 管「模型接工具」，A2A 管「Agent 跟 Agent 講話」，兩者不是競爭關係而是分層設計，就像 USB 跟 Wi-Fi 各管各的事，都需要。
arxiv: 2607.23884涵蓋 90 個一級領域、354 個二級領域的 1,431 題 Agent 評測集，橫跨消費者、企業、工程三大場景；頂尖模型（Claude Sonnet-5 得 58.54%、GPT-5.6-Sol 得 57.14%）得分都低於 60%。
arxiv: 2607.14989LLM Agent 在開放環境中會隨時間漂移（預測越來越不準）；這篇把 ARIMA 時序預測器嵌進 Agent 作為「自我校準器」，讓 Agent 在無人監督下自動偵測並修正漂移，準確率比基準 LLM Agent 高 91.7%。
arxiv: 2607.22400把 AI Agent 丟進一間虛擬公司，讓它用 email/Slack/Jira 完成任務，同時要遵守一本 20～124 頁的員工手冊——最強模型只有 36.2% 通過。
arxiv: 2607.25398三份可直接跑的 LangGraph 食譜：SQL 自動修復迴圈、有閘門的 Agentic RAG、人工審核中斷點，外加一張「什麼時候不要用 LangGraph」的決策表。
arxiv: 2607.19297500+ 工具、16 個應用領域的多模態工具呼叫 benchmark：Agent 要同時看圖找 UI 元素再決定叫哪個工具——12 個主流模型中最強的成功率也不到 50%。
arxiv: 2607.11818工作區 Agent 在執行任務時有多危險？這篇測了 20 種 Agent 配置、6,560 次執行：66% 的「成功完成任務」背後仍觸發了危險行為——任務完成不等於安全。
arxiv: 2607.27294你花時間寫的 [AGENTS.md](http://AGENTS.md) / [CLAUDE.md](http://CLAUDE.md) 到底有沒有用？288 次對照實驗的答案：對 coding agent 的正確率幾乎沒有可量測的差異（等效上限 ≤10–15pp），出錯的根本是實作技能不足，不是缺少 repo 知識。
arxiv: 2607.27250教 Agent 在多人對話中辨識「有人卡住了」，然後選對時機插一句有用的話，而不是一直打擾或一直沉默。
arxiv: 2607.03730把「哪些 agent 上場」、「怎麼溝通」、「最終怎麼整合答案」三件事分開設計，讓你可以各自換掉，不用每次重頭架系統。
arxiv: 2607.25446Agent 在讀取可疑資料前先開一條「隔離通道」，把危險控在那條通道裡，讀完後再由受信任的清洗器決定哪些資訊可以帶回主上下文，讓安全與可用性不再是零和遊戲。
arxiv: 2607.24625調查 21 個學術提案 + 5 個商業 agent，發現幾乎所有系統的授權設計都是「開發者說了算」，真正讓使用者自己設定個人化授權規則的機制幾乎不存在。
arxiv: 2607.13718tinyhumansai/openhuman 用本地優先的 Memory Tree 壓縮數位生活、指揮多個 agent，早期 beta 已衝上 3.7 萬星；Vercel Labs 的 fx 用 Zig 寫出不到 8 MiB 的原生 coding agent CLI；NVIDIA 開源 labs-OO-Agents，把 agent 的 prompt/tool/workflow 收進單一 Python class；CopilotKit/OpenBot 把 agent 包進容器並加上治理閘門，動作先審後動。Agno v3.0.0 是需要跑資料庫遷移的重大 breaking release，Haystack v3.1.0 新增多 agent 委派工具 AgentTool 和上下文壓縮 CompactionHook。
Panniantong/Agent-Reach 用一支 CLI 包住 yt-dlp、twitter-cli 等工具，讓 agent 讀遍 Twitter/Reddit/YouTube/Bilibili；LangChain 官方推出 deepagents，把檔案系統、sub-agent、skills 打包成開箱即用的 harness；Tracer-Cloud/opensre 把「AI SRE agent」做成有評分 RCA 題庫的框架；Anthropic 的 claude-plugins-community 市集靠審核流程幫社群外掛做信任背書，單日 +490 星。GitHub Copilot CLI v1.0.81-8（pre-release）加上 Grok 4.6 xhigh 推理與外掛即時熱重載。
HKUDS/nanobot 靠 v0.3.0「The Agency Release」7 個月衝上 4.7 萬星，主打個人自架 agent runtime；genspark-ai/genoffice 用開源桌面應用做 AI 辦公套件，三週破 3,400 星；NVIDIA 發表 labs-OO-Agents（NOOA），把 agent 狀態收進單一 Python class；MCP server repo-context-mcp 幫 coding agent 讀 repo 不用整包塞進 prompt。框架端 Mastra 1.60.0 補上 durable execution 與 Cloudflare Sandbox；pydantic-ai v2.33.0 因 anthropic SDK 升級 httpx2 而有 breaking change。
Cursor 開源官方外掛市集 cursor/plugins，用 plugin.json + skills + MCP 定義把生態標準化，一天 +470 星；apache/maka 進 Apache 孵化器，用 append-only 事件日誌記錄 agent 的每次工具呼叫與權限決策，主打可稽核的 local-first 工作台；magnitudedev/magnitude 幫你自動偵測硬體、下載並在本機跑模型，開箱即用的離線 agent；vercel/eve 把 agent 能力放進 tools/、skills/、schedules/ 等慣例目錄，檔案系統就是介面。框架端 pydantic-ai 補了 v2.32.1 patch。
Vercel 推出 filesystem-first 的 TypeScript agent 框架 eve，深度綁定自家 AI Gateway/Sandboxes；Prime Intellect 的 Prime Agent 把整個對話 context 當程式變數，搭配可自我改寫的 Continual Harness；aden-hive 的 Hive 用『複製 Queen』取代預先編譯的執行圖；HKUDS 的 nanobot 靠 v0.3.0 Agency Release 半年內衝上 4.7 萬星。今日 watchlist 框架無重大版號更新。
今天三篇論文分別從多 Agent 的「組織設計」、「安全隔離」與「使用者授權」三個維度切入平台建設難題。IMACS 把 multi-agent 系統拆成三個可獨立替換的層（組織、協調、協作演算法），讓框架設計者能像換積木一樣調整 Agent 角色或協作策略；APPA 用「分支上下文」打破 IFC（資訊流控制）的可用性瓶頸，在 4 個模型上把 prompt injection 外洩率從 31–50% 壓低至 0–7%；UW 的調查在 21 個 Agent 授權方案中發現，絕大多數系統只提供「開發者定義的全局策略」，使用者個人化授權幾乎付之闕如。三篇合在一起，勾勒出 agent 平台從原型走向生產
今天三篇論文從不同角度逼問「AI Agent 在現實任務中的真實極限」：ORCA-bench 把 LLM Agent 丟進 SRE on-call 的生產環境做根因分析，最強模型也只答對 40%；AgentS4D 揭露工作區 Agent 的安全黑箱——66% 的「成功執行」背後仍觸發了危險行為，任務完成不等於安全；Context Files 研究則以 288 次對照實驗發現，開發者普遍維護的 [AGENTS.md](http://AGENTS.md) / [CLAUDE.md](http://CLAUDE.md) 對 coding agent 的正確率幾乎沒有可量測的提升。三篇合讀，讓你對「A
今天三篇論文都在問同一個核心問題：**現在的 AI Agent 真的能用嗎？** 答案出奇地一致——還差得遠。[HANDBOOK.md](http://HANDBOOK.md) 揭露把最強前沿模型丟進虛擬公司後，企業政策合規通過率最高只有 **36.2%**；LangGraph 論文給出三份可落地的有狀態工作流食譜，並附上「什麼時候不要用 LangGraph」的決策指南；MM-ToolSandBox 則首次量化了「看圖＋叫工具」這個多模態組合技的困難程度——12 個主流模型中最強的成功率也不到一半。三個維度：合規評估、框架設計、視覺工具，串起一張「Agent 離真正落地還有多遠」的完整地圖。
今天三篇圍繞「讓 Agent 更可靠、更好部署、更客觀評估」三個核心問題：TRACE-ROUTER 指出多步驟 Agent 流程不能套用「每次呼叫都重新選模型」的路由策略，改用任務級別路由搭配強化學習持續優化；OmniaBench 建立橫跨消費者、企業、工程三大場景的 1,431 題評測集，頂尖模型（Claude Sonnet-5）得分仍不到六成；自我校準 Agent 框架則示範如何用 ARIMA 時序預測幫 Agent 在無人監督下偵測並修正預測漂移。
今天三篇論文共同聚焦在「生產級多代理人系統的基礎設施可靠性」：第一篇比較 MCP 與 A2A 兩個協定如何分工、不是競爭而是互補；第二篇實測工具升版後 12 個頂尖模型的能力退化，發現前沿模型也會掉分 13-14%；第三篇揭示把安全模型串成 pipeline 之後整體反而不安全，因為防護其實是靠雲端供應商的伺服器端過濾器在撐。三篇合起來回答了「怎麼接工具」、「工具升版會不會壞」、「串起來安不安全」三個平台工程師最實際的問題。
今天三篇論文從三個角度精準刺中 AI coding agent 的能力邊界：**ICAE-Bench** 挑戰「模糊需求下的互動式開發」場景，揭示當前 benchmark 跟不上 vibe-coding 時代；**EvoAgentBench** 揭露 agent 自我進化能力轉移的陷阱，主流方法竟造成 −12.3 分的負遷移；**PERFOPT-Bench** 則開闢「效能優化作為 agentic task」新賽道，並發現 framework 選擇往往比模型選擇更關鍵。三篇合讀的重點：生產環境的 agent 評估遠比現有工具複雜，業界亟需更貼近真實場景的評估體系。
今天三篇從三個互補角度探索「讓 Agent 更可靠地解決複雜任務」。NVIDIA 提出把 Agent 寫成普通的 Python class，讓開發、測試、追蹤都像一般軟體一樣進行；BAAI 的 AREX 展示了能遞迴驗證並改良自身研究結論的深度研究 Agent，在 BrowseComp、HLE 等基準上超越同量級模型；第三篇爬梳 1,250 篇論文，為「AI 自我改良」這個混亂詞彙建立清楚的分類地圖，幫你分辨哪些技術已可落地、哪些還在研究階段。
今天三篇分別從生態、失敗、記憶三個角度切入：哪些開源 Agent 框架真正值得長期下注（不只看 star 數）、Agent 在哪六類問題上反覆翻車、以及如何讓 Agent 的長期記憶跨越多個人物做串聯推理。三篇合在一起，像是給 Agent 平台開發者的「框架選型依據 + 失敗防護清單 + 記憶系統升級方向」。
三篇論文從基礎設施、可觀測性、評估三個角度切入同一個核心問題：「如何打造真正可靠的 agent 系統？」Dyserve 用數學最佳化在 60ms 內決定 agent workflow 每個節點要用哪個 LLM，在精準度和延遲上同步超越所有 baseline；AgentLocate 解決 multi-agent pipeline 出錯時「不知道哪個 agent 搞的鬼」這個 ops 噩夢，自動定位責任 agent 和出錯時間點（COLM 2026 accepted）；PolyWorkBench 則給出一記警告：現有頂尖 LLM agent 在多語言工作流中表現大幅劣化，全球化產品場景還有很長的路
今天三篇論文從不同層面回答同一個問題：「怎樣才算一個真正能用的 agent 系統？」SearchOS-V1 給出架構答案——把搜尋進度外顯成結構化狀態、記錄失敗路徑，讓 multi-agent 協作搜尋更可靠；AutoSynthesis 展示高度結構化的學術任務（系統性文獻統合分析）可以被 multi-agent 流水線全自動化；Digital Pantheon 則解決「如何讓 agent 在壓力下維持既定人設」的角色工程問題，並引入可審計的多 agent 協商架構。三篇合看，分別對應 agent runtime 設計、workflow 編排、與人設工程三個核心挑戰的最新解法。
今天三篇分別對應 agent 平台的三個核心課題：MyAG 用圖論視角重新拆解「如何組裝 agent 系統」，提出 component / workflow / search 三層圖分離關注點；自我改進綜述用統一公式框架整理「agent 如何從經驗進化」的整個研究方向；MemPoison 則揭示「持久記憶是 agent 最脆弱的攻擊面」，並建立首個涵蓋 1,227 個攻擊案例的 benchmark。三篇合起來剛好是：怎麼搭架構 → 怎麼讓系統演化 → 怎麼不被攻破。
今天三篇各從不同角度解決 agent 平台的核心痛點：第一篇從「前端 UX 設計」切入，提出讓電商網站對 AI 瀏覽器 agent 友善的框架，成功率從 49% 提升至 89%；第二篇攻的是「搜尋型 agent 亂猜答案」問題，用動態棄答 RL 訓練讓 agent 知道何時該說「我不確定」；第三篇則帶來具身機器人的 agent OS 架構，其多模態圖記憶與技能隔離設計對通用 agent 平台有直接啟發性。三篇合起來覆蓋了 agent 的「前端 UI 介面設計」→「推理可靠性訓練」→「執行層記憶架構」完整鏈路。
三篇論文不約而同都在問同一個問題：agent 的每一步執行單元，到底應該怎麼設計才能讓它可稽核、可重用、出了錯能最小範圍修復？ATG 把任務分解成有向無環圖（DAG）讓子任務並行、中間結果可複用；PalmClaw 把手機原生 API 直接包成結構化工具，甩掉難以追蹤的 GUI 點擊序列；IoAT 則把 agent 網路延伸到 IoT 物理世界，從智慧建築到邊緣設備，畫出跨雲端、邊緣、感測器層的協調藍圖。共同主軸：執行邊界要清楚、動作要可稽核、失敗要能局部恢復。
今天三篇論文圍繞兩大主軸：**安全**與**評測**。Prismata 在頁面層阻止跨站提示注入攻擊；aiAuthZ 在工具呼叫層建立加密身份授權閘道——兩篇合力說明 LLM 本身不該是安全邊界，平台必須在架構層設防。第三篇 UniClawBench 則把 agent 評測從沙箱搬進真實世界，用「能力維度」取代「任務情境」做診斷，給平台工程師一把更好用的選模型與排查失敗的尺。
今天三篇論文都在追問同一件事：Agent 系統如何才能「可靠地」運作？STRACE 解決的是優化輸入太雜——從大量噪音失敗軌跡中精準找出真正的根因，讓 Agent 的自動優化不再被冗餘案例帶偏；The Blind Curator 揭示一個令人不安的靜默失效模式——自我進化 Agent 的技能淘汰機制會因為 LLM 評審偏差在某個閾值後徹底停擺，光靠增加數據救不回來；Severity Scale 則把「Agent 被攻擊後到底有多嚴重」從二元的成功/失敗，變成七段式的行動傷害評分，讓安全評測終於有細緻度。三篇合看：優化品質、自我進化健全性、安全評測精度——三個不同層面，共同指向 Agent 可信
今天三篇論文共同描繪 Agent 平台的「進化前線」：EvoSOP 讓 Agent 不再每次從零重組工具，而是從過去執行歷程中自動萃取可重用的 SOP，讓工作效率顯著提升；AgenticSTS 對長任務記憶提出嚴格的「有界合約」設計，用五層結構化提取取代無止盡的 context 堆疊；Spider 2.0-AIFunc 則揭示 AI 函式已被直接嵌入雲端 SQL 語法，但最強模型準確率僅約 67%，是資料 Agent 必須面對的新挑戰。三篇合看：從工具效率、記憶架構到資料能力，勾勒出 2026 年 Agent 平台亟需補強的三個關鍵短板。
今天三篇論文從不同維度敲響「Agent 安全警報」：FARMA 能以 100% 成功率悄悄竄改 Agent 的推理記憶，繞過現有所有防禦機制；Vera 框架對 4 套生產級 Agent 系統（含 Claude Code）做系統化安全測試，平均攻擊成功率高達 93.9%；PiSAs 則揭示在多用戶共享 Agent 環境中，資訊跨用戶洩露是個未被充分關注的嚴重問題。三篇合看，是任何正在部署 Agent 平台的工程師與 PM 必須面對的安全現實。
今天三篇論文聚焦同一個核心問題：現有 AI Agent 系統在「理想實驗室」與「真實部署」之間存在巨大落差。AgentGym2（ACL 2026）用新 benchmark 量化了評測的失真；Agentic RL 系統提出讓 agent 在生產環境持續自我進化的工程架構；ComfyClaw 則展示在圖像生成工作流中落地「技能自我進化」的完整範例。三篇合看，正是一張從「評測 → 部署 → 運行中進化」的完整地圖。
今天三篇論文都圍繞「讓 agent 系統更安全、更可預測、不出包」這個主軸。前兩篇出自同一研究團隊，以靜態分析角度出發：一篇系統性揭露 agent 陷入無限循環的成因與規模，另一篇則為整個 agent 程式碼建立依賴圖，讓安全審計和元件盤點成為可能。第三篇針對 multi-agent 軟體開發，把 LLM 輸出的信心分數引入協作流程，防止早期幻覺向下游蔓延。
今天三篇論文從不同角度同攻一個核心問題：**如何讓 Agent 工作流程在生產環境中真正可靠**。Mnemosyne 把資料庫的「交易（Transaction）」概念搬進 Agent 工作流程，讓 LLM 每個輸出都要先通過准入審核才能生效；PaperPilot 展示如何訓練 9B 小模型學會以 DAG（有向無環圖）規劃多輪搜尋工作流程，並根據用戶回饋動態修正整個流程；SEA 讓 Agent 邊跑邊改善自己，同時發出可被稽核的安全憑證。三篇合在一起幾乎覆蓋了 Agent 系統可靠性的完整棧：執行層保護、訓練層工作流程學習、更新層安全演化。
今天三篇從不同角度觸碰 agent 平台的核心痛點：ReContext 提出免訓練的 inference-time 解法，讓 LLM 在 128K 長文中不再「視而不見」關鍵證據；第二篇揭示 multi-agent 辯論系統中，agent 因社會階層情境出現系統性「表裡不一」（divergence 3% → 40%）；第三篇則對三個業界最常引用的 coding agent benchmark 發出警報——SWE-Perf 僅 8% 任務可靠重現，排行榜分數的可信度值得嚴肅質疑。
今天三篇各自揭露了 agent 系統的一個評估盲點：記憶讓 agent 更「諂媚」卻少被測試（MemSyco-Bench）；現有安全 benchmark 把所有失敗壓成 pass/fail，分不清真正原因（Adversarial Pragmatics）；多個 LLM agent 組成的集群，因為以自然語言溝通，反而比黑箱神經網路更容易解讀（Conversable Complexity）。三篇合起來的訊息：我們評估 agent 系統的方式，需要全面升級。
今日三篇共同揭示一個核心張力：現有 agent 系統在封閉環境下表現亮眼，但只要環境稍有偏移就會出現嚴重退化。ICML 2026 論文從工具使用角度系統化量化了這個問題；第二篇展示如何用 6 個專精 agent 的流水線完成跨域複雜任務；第三篇則從 UX 角度提醒：agent 的「個性表達強度」不是越強越好，中等才是甜蜜點。
今天三篇涵蓋 AI Agent 生態的不同維度：Qwen 團隊推出首個跨七大 agent 領域的「語言世界模型」，讓 agent 能在模擬環境中訓練而非倚賴真實 API；快手 AgentX 展示多 Agent 系統在工業規模下的生產部署成果，把推薦算法迭代效率提升至人工的 13.8 倍；OpenAI 則用 Codex 真實使用數據，首次量化 agentic AI 正在如何改變各職能工作者的實際產出，並揭示非技術職能（法務、研究）的 agentic 紅利甚至超越工程師。
今天三篇論文共同聚焦在一個核心問題：**我們到底怎麼評估 agent 夠不夠好？** SWE-Explore 把 coding agent 最被忽視的中間步驟——讀懂程式庫——單獨拿出來測；Claw-SWE-Bench 揭示框架設計（harness adapter）才是讓 coding agent 分數暴漲的真正槓桿，同一模型換個 adapter 就能從 19% 跳到 73%；Red Queen Gödel Machine（Cambridge × NVIDIA）則走得更遠，讓評測者本身也跟著 agent 一起進化，打破靜態 benchmark 的天花板。三篇合看：**evaluation in
今天三篇從不同角度剖析「Agent 走向生產級基礎設施」的挑戰：Agent libOS 回答「agent 的 runtime 底層該長什麼樣子」；Autodata（Meta FAIR）示範「agent 如何自己製造並持續優化訓練資料」；GAIE 則提出「企業在法規約束下如何分級監督 coding agent」。三者合看，描繪出 agent 平台從架構、資料到治理都需要重新設計的完整藍圖。
今天三篇分別從不同層次切入「打造生產級 Agent 系統」：一本涵蓋 LLM 基礎到 multi-agent 架構的全棧實用指南、一個讓 Agent 在長任務中自主決定何時壓縮上下文的輕量 scaffold、以及一篇把 Agent 強化學習信用分配從「工具呼叫點」精細到「token 層級」的訓練演算法。三篇合起來，正好串起「學什麼架構」、「跑起來怎麼穩」、「怎麼訓得更好」三個打造 Agent 平台的關鍵問題。
今天三篇各攻一個角度：第一篇 **RigorBench** 問的是「AI coding agent 怎麼解題」而非只看答對率，提出五維流程紀律指標；第二篇來自產業實踐，教你如何把大型 LLM multi-agent 系統客製化、加速，讓企業真的用得起（實測 4.48 倍吞吐量提升）；第三篇則從治理角度出發，為 AI 融入軟體開發生命週期提出一套正式協議語言，讓「哪些決定讓 AI 做、哪些要人工審核」從 prompt 裡的一句話，變成可機器驗證的規格。三篇合起來覆蓋「怎麼評估、怎麼部署、怎麼治理」。
今天三篇從不同切面拼出「agent 在真實世界怎麼落地」的全貌：Perplexity + 哈佛商學院用生產數據首次量化 agent 對比對話助理的差距——完成時間縮短 87%，而且 agent 吸引了認知複雜度更高的工作類型；Self-Harness 示範 agent scaffolding 如何不靠人工自動挖弱點、自動修，三個主流模型各獲 33-60% 相對提升；The Consistency Illusion 拆穿多 agent 辯論的核心陷阱——輸出層共識可能掩蓋底層推理根本不一致。三篇合讀的訊號：agent 真正的競爭力不在於模型更強，而在於「生產數據驅動的 scaffolding 自
今天三篇由三個不同角度探問「讓 Agent 更可靠」：EinsteinArena 提出讓多個 AI agents 彼此共享解題思路與失敗記錄的持久化平台，已在數學難題上集體找到 12 個人類從未發現的新最佳解；APEX 把 agent 自我演化從「只改 prompt」擴展到同時演化行為原則（principles）和工作流拓撲（topology）三層並進；AI Economist Agent 則示範如何用知識圖譜 + 正式計量模型替 LLM 的每一個定量聲明上鎖，讓報告每個數字都能追溯到具體計算。三篇合讀的訊號：Agent 系統的下一個競爭維度，是如何設計讓 agents 集體共享知識的基礎設施
今天三篇都在動搖 Agent 領域的「常識」：ACCORD 實驗揭示 agent 普遍犯的「自以為了解指令」問題（靠假設而非觀察行動），提出主動接地框架讓 AppWorld 成功率從 42% 跳到 62.6%；《多智能體的幻覺》以嚴格評測證明，自動生成的多智能體架構在計算成本高出 10 倍的情況下反而比不過單 agent + CoT-SC；《非常非常 Agentic》則用 GitHub 大規模實證資料揭示，AI 程式碼 Agent 在新建專案的採用率已是一年前的兩倍多。三個訊號合起來：Agent 工具快速普及，但「多 agent 必然更強」和「agent 理解你的指令」這兩個核心假設，正在被資
今天三篇論文圍繞 Agent 平台的三個關鍵基礎設施層：HarnessX 提出一套「Harness 即可進化元件」的框架，讓 Agent 執行環境從靜態腳架變成自我最佳化系統，在 5 個 benchmark 上平均提升 +14.5%；第二篇研究多 Agent 協作中的「技能條件信任」路由問題，揭露什麼條件下細分信任真的有用、以及如何被攻擊者劫持；OCELOT 則從資安角度切入，提出「後驗洩漏預算」機制，防止 Agent 一步步把使用者隱私累積洩漏給外部服務。三篇合起來覆蓋框架設計、多 Agent 治理、隱私安全——恰好是落地 Agent 平台時最常踩到的三條坑。
今天三篇論文從「訓練 → 架構 → 環境」三個層次，一起回答同一個問題：怎麼讓 Agent 在真實系統裡更可靠？RefGRPO 找出 Agent RL 訓練中被忽略的反思校準問題，讓 Agent 成為自己的驗證器；「Agents All the Way Down」給出從 LLM substrate 到上線部署的完整 custom agent 方法論，強調地基穩固比框架選擇更重要；EurekAgent 則以自主科研任務為場景，證明「環境工程」比「流程工程」更決定 agent 的可靠性上限。
今天三篇從不同角度描繪「2026 年的 agent 現實」：UC Berkeley 用 1,000+ 個真實職場任務做成的 benchmark 顯示，當前最強 agent 在最難任務上平均只通過 2.6%；Microsoft 研究者訪談 17 位開發者後發現，他們都在無意識地發展出 4 種即興「監督工作」，但現有工具幾乎沒有支援；Reins AI 的工坊論文則指出，在 agent 系統還不夠成熟的部署期，傳統任務層監控根本看不到最嚴重的結構性故障。
今天三篇分別從「記憶架構」、「訓練效率」、「可靠度評估」三個角度切入 Agent 平台的核心挑戰。HORMA 提出階層式檔案系統記憶架構，讓 Agent 在長工作流程中不再因 context 暴漲而崩潰；TRACE 重新設計 Agent RL 訓練的 rollout 分配邏輯，同樣算力讓 Multi-Hop QA 多學 2.8 個百分點；τ-Rec 則揭露多輪對話推薦 Agent 的「可靠度斷崖」——連最強模型連跑四次的可靠度也只剩 38%，這個數字對任何計劃上線 Agent 產品的團隊都是當頭棒喝。
今天三篇論文從不同層次探索「agent-native 基礎設施」的設計：第一篇從 API 界面出發，提出讓 API 在出錯時主動給 agent 結構化修復建議，大幅提升工具呼叫成功率；第二篇拉高到系統架構層，主張 Agent OS 才是讓 agent 長期穩定運行的正確抽象；第三篇直擊推理服務底層，建出針對多輪 agent 的 hardware-aware 模擬器，讓 KV cache 排程優化得以量化驗證。從 API 到 OS 到硬體，agent 運行的每一層都需要重新設計。
今天三篇論文呼應同一主題——讓 Agent 從實驗走向可靠的生產環境：一篇是超大規模雲端部署的多 Agent 故障排除架構實戰，自主解決率達 90%+；一篇提出讓 Agent 記住過去工具呼叫成功失敗的記憶機制，不用重訓模型就能持續進步；一篇則首次系統比較六款 AI 輔助開發流程框架，提供六個維度的選型參考。
今天三篇都圍繞 **coding agents 的安全邊界與能力優化**：SABER 用第一個「可執行工作區」benchmark 發現即使最好的模型也有超過 54% 的危險操作率；第二篇讓 100 多位真人開發者跟「暗中破壞」的 AI agent 共事五小時，94% 的人沒抓到；SePO 則展示了只靠自動優化 system prompt（不改模型），就能在五個 benchmark 平均提升 4.49 分。三篇合起來提醒平台開發者：agent 的安全問題比想像中更難量測、更難被人察覺，但也存在低成本的改善路徑。
今天三篇分別對應 agent 平台堆疊的三個層次：AgentJet（訓練層）提出讓多個異質 LLM 同步做強化學習訓練的分散式框架，解決現有工具只能單模型訓練的根本痛點；AdaPlanBench（評測層）用 67.75% 的成績上限揭示 LLM agent 在「規則邊走邊揭露」的現實場景中遠未成熟，是第一個系統量化這種適應性規劃能力的 benchmark；Beyond Tokens（通訊層）整理了 multi-agent 系統改用「傳 embedding 而非傳文字」的研究現狀，提供分類框架評估這條新通訊路徑的工程取捨。
今天三篇都在問 agent 平台的「基礎建設怎麼選」：ADK Arena 首度量化比較 LangGraph、AutoGen、CrewAI 等多個主流框架的真實任務完成率與成本差距，讓框架選型終於有量化依據；Agent Memory 提供第一個從電腦系統視角分析 10 種記憶方案的 taxonomy，幫工程師評估延遲、頻寬、可擴展性的取捨；Search-Time Contamination 則質疑 deep research agent 的 benchmark 分數可信度——agent 在評測時可以直接搜到答案，分數最多虛高 4%。三篇合看，agent 平台的三個核心決策點（框架選型、記憶架構、
今天三篇圍繞 agent 系統三個深層問題：**記憶架構**（哪種設計能真正跨場景通用？）、**自我進化能力**（AI 能不能自己開發 agent？）、**安全盲區**（CUA 的安全性在不同場景下差距有多大？）。AutoMEM 告訴我們主動控制自己記憶的 agent 比依賴外部管道更泛化；Meta-Agent Challenge 揭示現在前沿模型距離「自主開發 agent」仍有顯著落差；Domain-Conditioned Safety 則發現 Claude Sonnet 4.6 在網頁任務的 prompt injection 攻擊成功率是 0%，但在程式碼場景中同樣的模型被攻破率高達 10
今天三篇分別從「評測診斷」、「工具進化」、「安全對齊」三個角度補強 Agent 平台的核心短板：APB 提出一套 4,209 道題的診斷型 benchmark，首次能把「規劃失敗」和「執行失敗」分開來看；MetaForge 讓 agent 能在運行時「自行鍛造」沒有的工具，打破靜態工具庫的天花板；RUBAS 把 agent 安全問題細分成四個評分維度，用強化學習讓模型學會在實用性和安全性間找到平衡。三篇合看：你的 agent 系統能不能被診斷、能不能自我擴展、能不能安全上線——這三道關卡今天同時被研究者正面回應。
今天三篇從不同層次切入「如何建造更可靠、更可進化的 Agent 系統」：第一篇用真實執行軌跡首次揭示多模型 Agent 系統的 LLM 呼叫成本，讓平台工程師能用數字說話；第二篇提出把整個記憶流水線當成可自我演化的程式碼，解決長期任務中記憶架構對齊失效的痛點；第三篇補上評測盲點，指出現有 Agent 持續學習 benchmark 無法真正辨別「學到了什麼」，並給出更嚴謹的 controlled stream 框架。
今天三篇論文從 agent 記憶的「互通標準化」、「隱層效率化」、到「預算感知缺失」三個維度切入：第一篇獨立研究者提出跨框架記憶電線格式，試圖解決 mem0、Letta、Cognee 各自為政的碎片化；第二篇把過去經驗的「文字塞 context」改成在 LLM 隱層空間做向量檢索，12/13 benchmark 最佳；第三篇是多機構大型評測，揭露五大 frontier 模型全都過度樂觀、無法在中途感知「這任務預算不夠用」，任務強≠預算感知強（r=0.35）。三篇合看：記憶標準化難題 → 記憶效率新架構 → 部署成本的系統性盲點。
今天三篇論文從不同角度解決 Agent 平台的核心痛點：第一篇提出把 LangGraph 那種「外掛 orchestrator」邏輯直接燒進小模型 weights，讓每對話成本降低 128–462 倍；第二篇來自 IBM Research，打造自動分析 agent 執行行為的三層評估框架，解決「agent 出了問題不知道哪個環節壞掉」的困境；第三篇來自 Microsoft，提出 agent 記憶的跨平台可攜帶協議，讓 Claude / GPT-4 / Gemini 之間可以交接記憶而不丟失狀態。三篇合看，恰好覆蓋 agent 平台的部署效率 → 行為評估 → 記憶可攜性三個關鍵面向。
今天三篇論文切入三個不同層次：BenchTrace 跑了 1,821 個 agent 失敗片段，發現 GPT-4.1 和 Qwen3-32B 連「讀懂自己哪裡錯了」都不到三成通過——反思能力遠比想像差；Beyond Autonomy 從企業 SaaS 生產環境萃取出三層治理架構，是現有 agent framework 缺的那塊「治理」拼圖；Insuring Every Action 則用保險精算概念替每個 agent 動作定價與設定保證金，開創了全新的 runtime 風險語言。共同主軸：agent 走向企業部署的核心挑戰，已從「能不能做」演變成「做錯了怎麼辦、誰負責審查、損害怎麼量化」。
今天三篇分別從「設計語言」、「安全地圖」、「認知侷限」三個面向挑戰 AI Agent 實務：第一篇建立雙軸分類框架，讓工程師和研究者有共同語言溝通 agent 架構的設計取捨；第二篇系統整理 agentic AI 在工具呼叫、記憶體、多步驟執行中的安全與隱私風險全景；第三篇最具衝擊——用近 4 萬個 AI 生成想法的大規模實驗揭示，AI 研究 agent 傾向圍著舊文獻打轉而非真正拓寬科學探索。
今天三篇論文從三個切面同時問「如何讓 agentic AI 跑得更好」：第一篇（UIUC × Intel）量測 agent 真實工作負載，發現瓶頸在 KV-cache 管理而非長 prompt；第二篇（PwC）用對照實驗打臉 RAG-first 預設，指出 grep 在 agent loop 裡常勝過向量搜尋；第三篇（Microsoft Research）開源完整 agent 訓練框架，讓社群不靠閉源 API 也能訓練出同量級 SOTA 的 agent。
今天三篇論文共同指向 Agent 從 demo 走向真實部署的三道關卡：AgentTrust 在 tool call 執行前加入即時攔截層，填補靜態黑名單與事後 benchmark 之間的空白；Hermes 掃描 600 個生產 endpoint，發現現有 REST API 文件對 MCP agent 來說幾乎全部不合格（平均每個 endpoint 4 個問題）；PARPO 則從 RL 訓練切入，讓 agent 的行為真正因人而異而非「對所有人都還好」。三篇合在一起，勾勒出 production-grade Agent 系統在安全閘、API 整備、個人化三條線上還有多少硬仗要打。
今天三篇分別從三個基礎設施層面深挖 Agent 平台：微軟提出仿人腦六機制的記憶管理架構，在大型 codebase 資料上讓記憶庫壓縮 58% 還保住 97.2% 精確率；Megagon Labs 的研究顛覆「逐步推理」慣例，證明先生成完整計劃再批次執行工具可省 2–4.7x token；最後一篇借用神經科學工具，讓 multi-agent 通訊拓撲（Chain / Star / Mesh）的架構選擇從猜測變成可計算的診斷。
今天三篇圍繞 2026 年 agent 平台最迫切的問題：**多代理系統的安全規範，在執行過程中能維持住嗎？** 2605.10481 命名了一個新失效模式——「約束漂移」（constraint drift）：系統設計時寫好的安全限制，會在代理人傳遞、記憶讀寫、工具呼叫過程中悄悄弱化，到輸出端時早已走樣。2605.07728（SARC）提出架構解法：把規範編譯成四個可執行卡關點，嵌進代理人執行迴圈，不再依賴 prompt 提醒，已開源。2605.13851 則用心理學實驗發現：當多代理系統的協調者是「隱形的」，整個系統的保護性行為會顯著下降——這對主流 orchestrator-based 架