Reasoning & Planning
chain-of-thought、planning、決策、搜尋策略、self-reflection
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用 16,542 次測試跑 16 個開源小模型（0.27B 到 32B）加 GPT-5，結果：agent pipeline 大多數的短程、結構化 tool use 任務，小模型已經夠用，而最強開源模型整體分數能和 GPT-5 打平。
arxiv: 2605.003344,209 道跨 22 個領域的多模態測試題，專門診斷「LLM Agent 的規劃哪裡出了問題」，測試 12 個頂尖模型後發現全都有系統性弱點。
arxiv: 2606.04874API 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現有 agent benchmark 太簡單、太單一領域；T1-Bench 用 25 個業務領域的交叉對話場景，讓「agent 在真實客服環境到底行不行」首次有了可量化的跨模型比較基準。
arxiv: 2606.11070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: 2606.0560817 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: 2606.05391大家都在說要給 Agent 加記憶，但這篇系統實驗後的答案是：除非新問題跟記憶中的案例幾乎一模一樣（相似度 > 0.8），加任何記憶基底都沒有統計顯著幫助——但 git 提供了一條以稽核性、可重播性為價值的工程路徑。
arxiv: 2606.14470LLM 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: 2606.12341多 agent 辯論後達成答案共識，不代表它們的推理是一致的；辯論甚至讓 agents 的推理鏈越來越不像，只是表面上都說同一個答案——研究者稱之為「一致性幻覺」，並提出 CARA 指標和修正協議來偵測這個問題。
arxiv: 2606.08457用 LLM 當多 agent 團隊的指揮官決定策略方向，再讓 RL 訓練的底層 agent 負責真正的動作執行——兩者各司其職，比純 RL 或純手工規則都更彈性。
arxiv: 2606.20014六位資安研究員整理出讓防禦者長年頭痛的五個瓶頸，逐一對應到 agentic AI 的五種新能力，論點是：「以前太費工、根本做不完」的安全任務，agent 現在可以接手了。
arxiv: 2606.23138OpenAI 用 Codex 真實使用數據，首次大規模量化「agentic AI 如何改變工作」：2026 年上半年用戶增 5 倍、任務規模膨脹 10 倍，且最重要的是，改變已從工程師擴散到法務、研究等非技術職能
arxiv: 2606.26959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在 ComfyUI（節點式圖像生成工具）上，讓 agent 把每次執行的經驗（成功步驟、錯誤、verifier 回饋）蒸餾成可重用的技能，技能庫越用越強，效果優於沒有技能進化的版本。
arxiv: 2607.01709長任務 Agent 不應把所有對話歷史塞進 context，而應用「有界合約」：每個決策的輸入由五個有型別的記憶層結構化提取而來，prompt 大小始終有限。用《Slay the Spire 2》幾百回合的連續決策當 testbed，並公開 298 條軌跡供比較研究。
arxiv: 2607.02255現有 agent benchmark 都在沙箱裡考模擬題，UniClawBench 把評測搬進真實環境，並用「能力維度」取代「任務情境」作為分類軸，讓你知道 agent 到底哪個環節掉鏈子。
arxiv: 2607.08768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: 2607.12662GitHub star 數會騙人；這篇用四年真實數據告訴你，哪些開源 Agent 框架才是真的有人長期用、真的健康。
arxiv: 2607.02453整合 27 篇 Agent 評測論文，歸納出六大失敗類別，讓你知道你的 Agent 最可能在哪裡翻車。
arxiv: 2607.05775今天三篇論文從三個角度直擊 Agent 平台核心挑戰：**AgentCompass** 提出可組合的開源評測基礎設施，終結 agent 評測各自為政的碎片化亂象；**Agents in the Wild** 是少見的生產落地報告，從藥物研發與金融系統的真實部署歸納出可複用的設計模式；**Nanbeige4.2-3B** 則証明 3B 小模型配上 Looped Transformer 與大規模 agentic RL，在 agent 任務上可以壓過 9B 甚至 12B 的競爭對手——對邊端部署或成本敏感場景有直接啟示。
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。
今天三篇都在探索「agent 能力的邊界與突破路徑」。Sakana Fugu（Sakana AI）訓練了一個 0.6B 的協調器模型，學會動態指揮一池 frontier LLM 分工，在 SWE-Bench Pro 等多個榜單達到公開 SOTA——核心命題是「orchestrator 本身可以被訓練，而不只是工程師寫死規則」。NatureBench 用 90 個 Nature 期刊的真實科研任務反問：coding agent 真的能做科學發現？最強配置只勝過原論文 SOTA 17.8%，且靠的是把問題「翻譯成熟悉的 ML 任務」，不是真正的發明。最後，《Rising from the Ashe
今天三篇從工具可靠性、協定選型、多 Agent 協作三個角度切入 Agent 平台的痛點：PlanBench-XL 揭露頂尖 LLM 在真實大型工具環境下一遇到工具失效就崩潰（GPT-5.4 從 52% 跌至 11%）；TU Munich 給出第一份 MCP/A2A/ACP/ANP 等 9 個協定的技術分類法，讓選型有系統依據；AMD 的 Arbor 提出以樹狀搜尋作為多 Agent 的共享認知空間，讓失敗也成為有用的探索訊號。三篇合在一起，恰好描繪出 2026 年 Agent 平台的三塊基礎設施缺口。
今天三篇從「agent 在生產環境的可靠性與安全性」出發，覆蓋推論期、訓練期、基礎設施三個層次。LedgerAgent 用推論期的輕量「帳本」結構，讓工具呼叫 agent 不再把所有狀態塞進 prompt 靠 LLM 重建——直接降低政策違反與狀態錯誤；Alibaba 的 Connect the Dots (CoD) 則往更遠看，以強化學習訓練 agent 在長期部署中邊執行任務邊更新對環境的認識，跨任務越跑越準；Sovereign Execution Brokers 從安全基礎設施切入，在 agent 每次「動生產系統」的那一刻插入憑證驗證，把「授權的動作」和「實際執行的動作」嚴格綁定。三篇
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。
今天三篇論文從「如何評量 agent」和「agent 究竟是什麼」兩個角度出發：T1-Bench 建出橫跨 25 個真實業務領域的高仿真 benchmark，讓多領域跨域推理能力首次有系統性量化基準；VISTA 解決「用 LLM 模擬使用者測 agent」的可信度難題，提供 6 個指標量化你的測試有沒有真的覆蓋 agent 的能力邊界；Agentic Software 則從第一原理釐清：當 LLM 成為主推理引擎時，軟體的本質已變——這直接影響 agent 平台的除錯工具和測試策略設計。
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。
今天三篇論文聚焦「agent 規模化部署的成本-能力邊界」：SR²AM 重新設計規劃架構，讓 30B 模型少用九成 token 就能競爭 685B-1T 系統；GroupMemBench 揭示現有記憶系統在多人群組對話中徹底崩潰（最強系統只有 46% 準確率，1990 年代的 BM25 關鍵字搜尋反而打贏它）；AgentFloor 用 16,542 次測試確認，agent pipeline 大量的短程 tool use 根本不需要大模型。共同主軸：在算力成本壓力下，精確判斷「哪個環節需要多少智慧」已成為 agent 平台設計的核心課題。
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。