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。
今日三篇分別瞄準 Agent 平台的三大核心難題：**記憶如何從「撈資料」升級成「推理狀態」**（User as Code）、**多 Agent 如何去掉中央協調者卻更省成本**（DeLM），以及**Web Agent 執行後如何讓人快速驗證結果**（HANSEL）。三篇合在一起，幾乎就是一張高信任 Agent 平台的技術地圖——記憶層、協調層、可解釋層各攻一塊。
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。
今天三篇從不同角度觸碰 Agent 平台的核心痛點：一篇把 Agent 記憶體拆成四個可量測的系統模組，揭示現有評估只看「答對沒」根本不夠；一篇借用軟體工程「設計審查」觀念，讓 Agentic Workflow 在上線前就能被自動驗證；另一篇用 14 組大規模平行實驗證明——你信任的那個 benchmark 排行榜，換個情境排名就洗牌，並提出更可靠的替代指標。
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