Gemini 3.7 Flash（API ID：gemini-3.7-flash）：1M input／64k output context，input $0.75、output $3.75 per 1M tokens（優惠價至 2026-12-31，之後回到 $1.50／$7.50，與前代 3.6 Flash 同價）；DeepSWE v1.1 65.3%（前代 48.6%）、AutomationBench 30.4%（前代 17.0%）、FrontierCode 1.1 43.6%，多項 agentic/企業自動化 benchmark 超越 Claude Sonnet 5 與 GPT-5.6 Terra
DeepSeek V4-Pro 尖峰 Output 從 $0.87 漲到 $3.96/1M tokens（↑355%），V4-Flash 從 $0.28 漲到 $1.32（↑371%），2026-08-16 16:00 UTC 生效，同時導入離峰半價機制（01:00-04:00、06:00-10:00 UTC 為尖峰）。漲價後價格仍低於 GPT-5.6／Claude，但低價護城河明顯收窄。
AgenticSeek（GitHub 2.6 萬星的本地 AI Agent 專案）的後端服務預設綁定 0.0.0.0:7777 且 CORS 全開，任何能連到該連接埠的人都能透過未驗證的 /query 端點讓 Agent 的 BashInterpreter 以 shell=True、safety=False 執行任意指令，達成主機層級 RCE（CVE-2026-72776，CVSS 9.3）。專案已修補（改為預設只綁 loopback、CORS 改白名單），但舊版或未升級的部署仍暴露在外。
GitHub 帳號 zellkernel 在 74 分鐘內對 23 個 AI/MCP/開發工具專案送出 PR，把名為 productivity-suite 的 MCP server 塞進設定檔。這個 server 一開始只提供文字格式化、摘要等無害功能，但內部計數器累積滿三次工具呼叫後，tools/list 與 prompts/get 就會變成誘導 Agent 搜尋 SSH 金鑰、AWS 憑證、shell history、Kubernetes 設定並隱瞞使用者的惡意指令。23 個 PR 目前皆未被合併（19 關閉、4 開啟），但惡意端點仍在運作。防禦：把已核准 MCP server 的工具定義變更視為安全事件、需要重新核可，並封鎖已知端點。
pbx-mcp 是一個 MCP server，把 Asterisk（AMI）和 FreeSWITCH（ESL）兩套不同協定包成同一組 MCP 工具。安裝：npx -y pbx-mcp。解決了維運兩套 PBX 系統時要記兩套指令語法、且讓 Agent 誤執行變更指令的問題。
SkillEvo 用多輪互動回饋取代單輪 QA 評估，讓技能進化不會在第一輪就停滯，比自我反思進化高 23 分；SkillShapley 把 Shapley 值搬進技能步驟歸因，用 99 次評估就能逼近精確排序，並發現「決策橋接步驟」才是高價值步驟；MindMemOS 用實體-屬性-時間結構統一記憶管理，LOCOMO 準確率 94%，技能進化讓 SpreadsheetBench 成功率提升 9.2 個百分點
Harness-IF 揭示 Coding Agent 的指令遵從度被高估 3.6-7.4 個百分點，因為模型本來就會做的事被算成了遵從；SHE 把 harness 拆成四個安全元件並從軌跡失敗自動演化，ASR 降低 3.1 倍且正確率提升；SBCO 用分解式驗證器銀行搭配文本梯度做 harness 自我改進，在規劃任務上以 4-5.5 倍更少的算力追平 Gödel Machine
EvoGraph-Mem 用失敗感知的可編輯圖譜讓 Agent 記憶能自我修正，避免過時洞見反覆污染決策；MAP-Graph 把出處追蹤從事後稽核變成即時存取控制，在 2,700 個合成任務上達到 95% 成功率；MaSRead 證明多 Agent 可以共用 KV cache 片段作為記憶，但讀取需要按內容定址而非位置定址
工具介面設計讓 coding agent 一致性提升 4.7 倍且 token 用量砍半；記憶蒸餾讓 4B 小模型在 AppWorld 準確率跳升 27.2 個百分點直逼大模型；制度設計實驗發現同樣的安全規則搭配不同權限機制，違規率從 0% 到 23% 天差地別
Muscle Memory 提出「編譯式記憶」取代檢索式記憶，在 90 個場景中贏下 88.9% 的個人化對決；MoRSE 用 role-subtask 條件化 LoRA 專家讓多 Agent 在程式碼生成上顯著超越純 prompt 分工；ASCon 建立統一故障歸因模型，在三種歸因目標上分別提升 5.83%、10.63%、14.73%
Evo-Bench 評測九款模型自主改進鷹架的能力，GPT-5.6 Sol 拿下 +16.6 分但 Office 任務幾乎不動；MEGA 用三層 Wisdom Graph 讓 Agent 優化基礎設施自我進化，知識積累與優化合為同一過程；SHE 把鷹架拆成四個可演化元件，從失敗軌跡學習安全邊界，ASR 降低 3.1 倍且跨模型可遷移
OneDayAgent 用任務分解＋執行記憶＋全域驗修三步鷹架在 AgentIF-OneDay 拿下 0.821 新 SOTA，同一鷹架跨五個後端穩定運作；The Horizon Gap 綜述 1,547 篇論文發現長程 Agent 六大失敗類別共享同一結構模式——純結果訊號隨步數增長而失效，領域正在製造更密的過程訊號來補；Evo-Bench 首次測量 Agent 自動進化鷹架的能力，GPT-5.6 Sol 最高拿 +16.6 分，但 Office 任務仍需人工流程
Memory Reward Inflation 發現自我改善 Agent 的記憶獎勵會自我膨脹，錯誤經驗越用越自信，LUCID 演算法在 BIRD 上將準確率從 54.0% 提升到 56.9%；RoMeRL 用固定維度的語意座標壓縮記憶狀態空間，Cold-Q 比率降 80%、LLM 呼叫減 21.1%；ToolLIFT 將工具軌跡抽象成功能層級工作流圖，在三個 OOD 基準上一致超越現有方法
ToolLIFT 把工具軌跡提升到功能層工作流圖，在三個 OOD 基準上持續超越 SOTA；SkillTV-Bench 用 681 案例證明技能感知的裁判技能讓 Agent 評判準確率提升 14.8 個百分點；TRIO-20 用預設等價研究發現 GPT-5.6 在 840 條軌跡中零越權呼叫，但推理力度提高讓規則探查率上升了 14.3 個百分點
VerMem 用七個原子記憶操作加雙驗證器在五個基準上平均領先最強基線 5-8 分；SafeCommit 把不安全行動率從 41.2% 壓到 2.6% 且維持 97.4% 任務完成率；ToolLIFT 把工具軌跡抽象成函數級工作流圖，OOD 基準上比最強基線高 3-5 分
ToolLIFT 把工具軌跡抽象成函數級工作流圖，OOD 準確率平均提升 4+ 百分點；HyperAgent 用工具-Schema 超圖建構缺口驅動的支援子圖，在 AppWorld 上比 ReAct 高 14.3 百分點且 token 用量更低；多語言多 Agent 規劃診斷發現低資源語言的規劃失敗佔比隨語言資源下降而升高，TART 修正法平均提升 5.6 百分點
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