可解释性

问一个 Agent’该不该听 Sam 的推荐带 Maya 去 Harbor Grill 吃饭’，正确的回答需要三条分散在不同会话里的证据：晚餐计划、Maya 的海鲜过敏、这家店是海鲜餐厅——直接检索只命中第一条，无向图扩展可能带出无关的订座偏好却恰恰漏掉过敏这条安全约束。本文精读中国传媒大学联合智联英才科技的 RippleMem：它把记忆访问从’一次性查找’重构为’证据条件化的联想式回忆’——已召回的记忆不是检索的终点，而是寻找缺失支持的线索。系统把交互历史写成线索丰富的情景记忆单元，组织成事件中心图，查询时从初始锚点沿语义与结构双通道局部扩散，定向找回缺失证据。在 LoCoMo 上 F1 52.49、LLM 裁判准确率 87.14 均为最佳，temporal 类超 SimpleMem 9.66 分，multi-session 从 60.92 提到 78.20；建图成本约为 Mem0g/Zep 的 1/30。本精读重点拆解其写读两阶段设计，并用因果链解释’evidence-distributed 题型为何增益最大’与'30 倍成本下降为何来自延迟建图’。

深度精读北航与山东大学合作的 SkillShapley——首个面向 LLM Agent 技能的步级归因框架。它把 skill.md 的语义步骤视为合作博弈中的『玩家』，保留子集视为『联盟』，benchmark 成功率视为收益函数，用 Shapley 值量化每一步的真实贡献。针对『每个新联盟都要真实跑一遍 LLM agent』的高昂配置成本，BAES 用『warmup 锚点覆盖 + cache 感知自适应采集』两阶段策略，在同预算下产出远多于蒙特卡洛采样的可复用边际证据（99 配置预算下 206 条 vs 130 条）。案例研究给出一条朴素的技能写作启示：高价值步骤是连接任务条件与可执行决策的『程序性桥梁』，而背景解释性文本往往贡献为负。

当 AI 开始审稿，会不会写“彩虹屁”比做得好不好更重要？马里兰大学等四校团队用 120 篇 ICLR 2026 投稿构造 4200 篇修辞改写稿、收集 42396 条 AI 评审，系统量化了“只改措辞、不改内容”对评审分的因果影响：证据框架最能提分（最高 +0.93）、新颖性立场最能降分（最低 −0.73），低分稿越改越高、高分稿反而越改越低。本精读按九部分结构拆解其实验设计、因果链与可推广灵感。

混合线性注意力（HLA）LLM 用少量全注意力层搭配大量线性注意力层来兼顾长上下文与效率，但巨量激活（Massive Activations）在其中如何表现此前几乎无人研究。本精读覆盖首个系统性分析工作：论文发现两种与架构严格对齐的激活形态——注意力前尖峰（PAS）与尖峰间平台（ISP），在 5 种线性架构、6 种混合配置、5 个数据域、1.2B–397B 的 12 个开源检查点上高度复现，Sink-spike 对齐率高达 99.4%–100%；并提出统一的「写入-汇聚-抵消」生命周期机制：MA 的抵消时机决定形态——快速抵消形成 PAS，延迟抵消形成 ISP，全注意力极限下恢复传统 LLM 的稳定 MA。门控实验的不对称效应进一步印证全注意力层是组织 MA 动力学的核心节点。

这篇来自华为与华中科技大学的 empirical study 首次系统地把 LLM Agent 的失败归因到「被加载的 Skill」上。作者借鉴差分测试思想，构建配对执行（有 Skill vs 无 Skill / 语义匹配 Skill），在 SkillsBench 与 SWE-Skills-Bench 上确认了 307 个技能诱导失败（125 功能失败 + 182 效率回归），并开发分类法驱动的 SkillTriage 归因工具。最反直觉的发现：看似相关的 Skill 比不相关 Skill 更有害——它让 Agent 错误实现或漏掉任务必需元素；效率回归的最大来源不是提示长度，而是「过度程序」（过度验证 67 例、重实现管道 30 例）。

Salesforce AI Research 联合 Notre Dame、UIUC（Heng Ji）提出强到弱推理时脚手架（Strong-to-Weak Scaffolding）：用强 builder 模型为弱 target 模型自动构建推理时 harness，无需任何参数更新即可在四个 Theory-of-Mind 基准（3900 项）上将 GPT-5.4-mini 从 0.488 提升到 0.912（+0.423）。机制分析表明增益主要来自把不稳定的自然语言推理卸载为确定性代码（r=0.72），而非更长推理链或更多采样。这是对传统训练时蒸馏的一条互补路线，也直接印证了 harness 工程作为独立工程对象的价值。

深度精读 arXiv:2608.05784——独立研究者 Nossa Iyamu 提出的 Activity Frames，一个零模型、确定性的屏幕活动编译管道。它将屏幕捕获流分割为携带应用、站点、时序、输入量和证据指针的『活动帧』，在 128,756 帧、51 活跃天的真实语料上把单日上下文从 126,812 token 压缩到 1,469 token（86×），编译延迟仅 68ms，下游问答准确率 98.4%（LLM 摘要仅 66-80%），幻觉率 0%。同一编译器还首次测量了代理成本模型假设但从未实测的两个参数：Routine Overhead Ratio R=60-343x 和可委托复发率 h=7.7%（样本外）。核心洞察：把『解释』从『测量』中剥离，用最无趣的确定性代码填补捕获与记忆之间的缝隙。

深度精读港大与腾讯联合出品的 OSReward——首个系统检验计算机使用 Agent（CUA）轨迹评判器可靠性的基准与开源奖励模型工作。论文构建了覆盖 Web/Windows/macOS/Ubuntu/Mobile 五大平台的 1,019 条人工标注轨迹基准，揭示了所有主流 VLM 评判器存在的系统性「宽容偏差」，并训练出成本降低 30-60 倍的开源奖励模型 OS-Shepherd。本精读从背景补全、研究脉络定位、问题抽象、方法机制、评估证据、效果根源、必要知识反推到可推广灵感，九部分完整拆解这项为 CUA 评判建立标准化评估体系的开创性研究。

本文精读 Microsoft Research 团队发表于 2026 年 7 月的论文《LLMs Get Lost in Evolving User Intent》。论文提出一个将任意静态单轮基准测试转化为动态多轮对话的框架，通过三种意图转移（论点揭示、论点修正、函数切换）模拟用户意图的真实演化过程，同时保留原始评估协议实现免标注的自动验证。跨数学、Text-to-SQL、搜索、编程四个领域的实验揭示了一个一致现象：在单轮设置下表现优异的模型，一旦用户意图动态演化，性能便大幅下降，最严重时直接归零。这一发现暴露了静态评估的盲区，对协作式 Agent 的未来发展具有关键启示。

编码 Agent 在多轮交互中累积大量冗余工具输出，现有剪枝方法依赖外部评分模型。SWE-Pruner Pro 提出一个关键发现：Agent backbone 在读取工具输出时，其内部隐藏状态已经编码了行级重要性信号。通过一个轻量级 head 直接从 backbone 内部表示读取剪枝决策，在四个多轮基准上节省高达 39% 的 token，同时在部分基准上甚至提升了任务质量。本文精读其动机发现、方法设计、工程实现与通用性启示。