今天三篇各從不同角度審視 AI Agent 的能力與極限：AutoMem 告訴你「記憶管理」是可以自動學習的獨立技能，光優化記憶就讓 32B 開源模型達到頂級商用模型水準；Shadow Evaluation 用真實 NeurIPS 投稿測試頂尖 Agent 能否做開放式 AI 研究——答案是否定的，Agent 能工程但不會研究；Adaptive Adversaries 揭示現有安全評測嚴重低估威脅：加上自適應多輪攻擊者，攻擊成功率從 0–1% 跳到 14%。三篇合起來是一堂清醒課：知道 Agent 能自動變強在哪、不能在哪、以及你的安全測試可能根本不夠。
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
今天三篇各從不同角度逼視「Agent 在真實環境裡出事了怎麼辦」：ProACT 問的是多人協作中 Agent 應何時開口（Agent UX 設計問題）；第二篇用真實 GitHub 資料揭露 Coding Agent 和自己開的 PR 互衝（平台 ops 痛點）；第三篇從安全視角整理 Cyber-capable Agent 五大漏洞類別，以今年七月的 HuggingFace/OpenAI 事件為 case study。三篇合起來是一堂「Agent 上線後，你沒想到的麻煩都在這裡」速成課。
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」。
今天三篇的共同主題是：**我們測 agent 的方式，本身就有問題**。第一篇直接審計主流工具呼叫 benchmark，發現近兩成的分數是評錯的；第二篇用重播分析告訴你哪些 benchmark 不用跑完就能得出可靠結論（SWE-bench 是反例）；第三篇推出首個將「執行任務」與「生成操作教學」合二為一的多模態 web agent benchmark，截圖輸入、雙目標評測，最強模型也只完成不到四成。三篇合讀能讓你對 agent 評測的現況有完整的危機感與應對方向。
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。
今日三篇論文從三個不同角度審視 AI coding agent 的落地挑戰：第一篇用系統性實驗揭露 coding agent 在安裝套件時可被普通 README 發動供應鏈攻擊，且防禦能力主要取決於 harness 框架而非模型本身；第二篇提出 BPO 演算法，專為 sandbox-native agent 強化學習設計，只在高熵關鍵決策點分叉採樣提升訓練效率；第三篇以電網研究為案例，展示 MCP 如何作為標準協議串接工業場景的 domain-specific 仿真工具，為垂直領域 agent 落地提供可複製模板。
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。
今天三篇論文從三個維度切入「生產等級 Agent 可靠性」：MemCon 把記憶體操作建模為強化學習問題，讓 agent 自學何時存、取、忘，在 6 個 benchmark 上任務成功率最高提升 15.2 分；AgentCheck 把 MCP 伺服器變成除錯介面，開發者可重現工具故障、注入修復並驗證效果，填補了 MCP 生態長期缺乏「測試工具」的空缺；AgentAbstain 則用 263 個配對任務揭露：即便是最強的 frontier 模型，在「應拒絕行動」情境下正確率不到 60%，且棄動能力與任務解決能力幾乎無關——光靠換更強的模型無法解決這個問題。
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。