AI 金融分析师能从 10 万 token 的年报里逐字背出契约阈值，但这条风险披露真的影响它的投资判断吗？Boston College 与 Columbia 商学院团队用固定信息集设计发现：随着无关上下文从 2K 扩到 128K token，一条风险披露对卖出倾向的影响从 +0.032 跌入实验噪声地板，而直接检索保持 12/12 公司满分——“读到了“与“用上了“彻底分离。机制实验定位到两条传输通道：固定容量的运行摘要与注意力查找，均随长度稀释。工作流实验给出解法：extract-then-decide 把 128K 下的影响保留率从 12% 提到 67%，而通用分块摘要在所有长度（含 2K）都将影响归零。核心教训：检索式评估会认证一套“证明了读得到、实际上不用“的判断系统。
香港四校合作提出 Reflection Steering：一个免训练的激活空间干预框架，用于抑制大推理模型中冗余的反思行为。方法通过 PCA 去噪、对共享推理方向正交化、逐层校准和有界投影删除四阶段，把「反思方向」从「通用推理方向」中解缠出来，在 6 个模型×基准设置中平均节省 16.9% 的思考 token，MATH-500 上精度统计等效。本精读完整拆解其方向净化机制、层校准协议与统计验证方法。
当多智能体系统（MAS）执行失败后，重跑一遍、自我反思、批评家反馈这些「修复」方法，究竟是真的修好了 bug，还是仅仅靠 LLM 采样的随机性碰巧撞对了答案？这篇来自华东师范大学等四所高校的论文用 SymTrace 回放框架与 536 条人工标注失败轨迹的 SymFail 数据集给出了冷峻的答案：无引导全量重跑的修复率仅 6.90%，自我反思 4.29%、批评家 3.73%，与随机重采样无异；而基于症状定位的选择性回放干预单次即修复 20.15%。本精读拆解其「冻结上游随机性」的受控评估方法论，并讨论它对整个 Agent 可靠性研究范式的冲击。
深度精读南洋理工大学的 LLM Agent Harness 架构收敛研究——首个对 harness 层本身做源码级多案例研究的论文。三个来自对立哲学的开源编码 agent harness（LangChain deepagents、Earendil pi、DeepSeek dsh）反向演化却汇聚于同一五要素中间形态：商品化循环、仅追加可重放会话记录、模型怪癖数据化、上下文渐进披露、显式扩展缝隙。本文逐项拆解五要素与三类收敛机制（平行发现/扩散/字面复用），还原四条汇聚断层线缺陷分类，并解读唯一零收敛维度’外部可验证性’为何是预测性缺口。
深度精读 UC Santa Cruz + UC Berkeley 论文：LLM agent「是否调用工具」这个离散决策，可以被残差流中的单一线性方向连续调节——无需训练、无需改提示，一个旋钮把调用率从近 0% 单调推到 90%+，且新增调用精准落在模型答不出的低流行度问题上，PopQA 准确率 0.29→0.56，方向还能零样本迁移到 6 个未见工具。
深度精读 UC San Diego 的评测方法论论文——当开放式输出（ToM 信念追踪、开放域 QA）遇上「有限参考集+匹配器」的评测管线时，未匹配的输出被记为假，会产生代理标签并直接反转 proper-score 校准排名。论文用固定内容、只换标签源的识别设计证明：同一批 259 条信念，参考标签下 EG 探针领先 0.227，盲评真值下反落后 0.152，六个场景全部反转；已发布的 NQ-open 真实管线同样反转。机制上 90% 以上失真来自被省略的真值，单参数 π 修正即可恢复符号。本文拆解这条「识别—分解—闭合判据—预算修复」的完整证据链。
深度精读港中深与西安交大团队的微服务根因分析（RCA）轨迹级研究。指出现有评测只看“是否定位到责任服务”的终点指标，无法揭示诊断证据与故障传播路径。作者人工标注服务级故障传播路径，对齐分析3500条智能体诊断轨迹，发现答案正确性与诊断质量脱节，并将错误诊断归结为三类证据处理失败，进而设计DIAGGUARD两段防御（前置grounding+后置verification），在跨模型、跨基准、跨拓扑的独立验证集上把Acc@1从43.5%提升到52.5%。
CatchBench（USC，PyOD 作者 Yue Zhao）构建了首个在 PRE（运行前声明配置）/LIVE（运行中轨迹前缀）/POST（运行后完整轨迹）三种信息状态下统一评分 Agent 审计方法的竞技场：9 个计分板、72 个方法。它最大的贡献是方法学自律——公开每条标签的生成方式从而暴露自身语料的捷径（injecagent 源仅凭声明顺序即 F1=1.000）、给注入故障设’可采性门槛’、并如实发表 71/118 个无法分离的对比。‘分数在标签过程公开并检验其捷径之前不可解释’，这是对所有基准的警世恒言。
Risa（复旦大学）首次把稀疏 MoE 模型的原生路由轨迹用作软件 Agent 测试时扩展的’行为坐标系’：把每层每 token 的专家路由权重积分成路由指纹，探索阶段选与历史最不相似的候选（disagree to explore），写补丁阶段在同伴收敛处提交，跨尝试仲裁取’决策 token’上一致性最高者（agree to commit）。SWE-bench Verified 宏平均 44.9%→48.2%，跨家族迁移到 Qwen3.6 仍 +3.5pp——全程无需外部 judge、无需测试执行。
NFV（Microsoft Research，单作者 Shuvendu K. Lahiri）让 AI Agent 当形式验证语言的前端：Python 开发者用自然语言问’这个函数对不对’，Agent 把程序与规范翻译到 Dafny，由成熟验证器逐条机器检查，证明可查、缺陷有 witness。在 206 条数据集上 57.3% 的条目给出机器检查证明 @92.2% 精度——而 LLM-as-judge 直接判定的精度只有 72% 且无 artifact；无纪律的’LLM+验证器自由证明’更是 98% 的正确程序和错误程序都被’证明’（精度 50%）。关键机制是’无证明即弃权’与 staged discipline（溯源标签+冻结翻译堵死为证明而改代码的捷径）。