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。
今天三篇論文從三個截然不同的角度照亮 AI Agent 平台的現況：第一篇 LHTB 用 46 道長程終端機任務測出目前最強模型也只能解決約 28%，揭示 agent 距離真正自主作業仍有很長一段路；第二篇從安全角度發現多 agent 系統裡的「碎片化效應」讓傳統每個 agent 逐一監控的防禦策略幾乎失效；第三篇則從記憶體架構切入，用 3 個數量級的延遲差距，論證把記憶體放進 agent 推理迴圈本身才能有效消除冗餘行為。
今天三篇論文從三個實戰角度切入 AI Agent 平台：第一篇揭露多 Agent 系統在生產環境中面臨的隱蔽安全威脅，並提出以「激活空間」偵測惡意 agent 的新框架（非同步環境下 F1 比現有方法高出 +0.55）；第二篇改善 coding agent 的 retrieval 策略，引入「程序相似性」讓 AI 能找到解題步驟相近但表面不同的程式碼；第三篇則是重磅提醒——同一個 LLM 放進不同 harness，agent 的中途判斷就會出現顯著偏差，harness 設計根本不是中性的工具。
今天三篇論文共同呼應一個趨勢：生產環境 agent 的瓶頸已不在模型能力，而在「狀態管理」。第一篇（Amazon）展示把重複步驟預先編譯成工具，可讓 p50 延遲降 42%、錯誤率降 53%；第二篇提出讓獨立記憶 agent 主動把關鍵狀態「推送」給行動 agent，解決長程任務中資訊遺失（behavioral state decay）的問題；第三篇以遞迴多 agent 架構克服單一 agent 無法同時廣又深的 web 研究限制。三篇合看：**工具化（tool compilation）、主動記憶（proactive memory）、遞迴分工（recursive orchestration）*
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。