当代码库被改写成语义等价的形式——控制流重写、死代码注入、标识符重命名——修 bug 的代码 Agent 还靠得住吗？Colorado State、Microsoft、UIUC 与 CMU 四方合作，用一套随机变体采样器对 2 个 Agent 框架 × 4 个前沿模型 × 54 个 SWE-bench 实例做了首个仓库级 Agent 鲁棒性系统评估：多数配置出现小幅退化（最大平均 6.7 个百分点，16 个配置中 6 个统计显著），但更扎心的发现是「锯齿前沿」——没有任何模型鲁棒性排名能跨框架、跨基准保持稳定，Qwen 在一个框架下最鲁棒、换一个框架反而最脆弱；更简单的框架反而更皮实；即使 solve 率不掉，token 成本最多也要多花 22.9%。本精读覆盖其 14 种语义保持变换的设计、非反馈采样的下界逻辑、配对实验统计方法，以及锯齿现象背后的机制因果链。
康奈尔与斯坦福的两位研究者提出 Adversarial Review（AR）：主编码 Agent 冻结工件后，reviewer 评审、critic 以结构化分歧审计这份评审，收敛后才允许修改代码。AR 在 LiveCodeBench 上以三个 Agent 取得 87% 最高通过率，胜过五 Agent 的 MARS；在 SWE-PRBench 上先暴露「伪共识」失败模式——Agent 为一致而一致，再用一次 prompt 迭代把分歧显式化即取得最高 F1 0.533；在 SWE-bench Verified 上以纯文本 SKILL.md 协议达到 75.2%。本精读拆解其构造式方法、三基准证据链，以及「分歧必须最小、结构化、有证据」的设计哲学。
北大团队用557个真实Agent编码会话的94,813个事件与33,097个Agent PR的69万条文件变更，首次系统测量了编码Agent与技术文档的真实交互。四大发现颠覆行业直觉：60.5%的文档交互指向AGENTS.md等Agent自有工件而非经典技术文档；读文档→写代码的关联在数据上未获解析；零次显式文档验证；文档产出速率达咨询的0.87倍却始终滞后于代码。论文据此提出双瓣循环模型，并指出「可操作性」「可验证性」两大agent-friendly文档假设缺乏行为支撑。
LLM Agent 走向跨会话长程任务后，记忆系统能否跟上不断被修订的世界状态？UIUC Jiawei Han 组把「状态追踪」从「事实回忆」中剥离：答案必须反映当前状态而非被取代的旧状态。论文先证明「状态漂移」在检索完美时仍是最大失败源，再发布 StateMemBench——234 个多会话场景、闭集三分评分，把漂移答案显式放入干扰池；随后提出显式追踪取代与依赖的 StateMem，在 DeepSeek-V4-Flash 上把准确率从 0.205 提到 0.363（1.8 倍），并以单次调用 Wrapper 给六个记忆后端带来 +32 到 +67 点提升。精读覆盖定义、构造、机制与根源解释。
USC 单作者论文用「执行回放」为 LLM Agent 的步级信用信号建立因果真值：在每个决策点重采样策略自身支持的动作并前滚，度量结局分布的实际改变。审计结论是全面否定——LLM judge 分数、结果条件化 logprob 比、策略自身置信度识别因果关键步骤均不优于随机；implicit 信用实为策略流畅度的回声（秩相关 +0.75），结果条件化不增加任何因果信息（偏相关 -0.004）；七臂预注册训练实验中无一臂可靠超过未训练策略，表面差异全由训练剂量解释。本文精读其仪器设计、否定性证据链、剂量匹配协议与完整性分类学，并讨论它对整个步级信用分配赛道的冲击。
工具使用是 LLM Agent 的核心能力，但此前几乎全靠后训练习得。MidTool（华盛顿大学 + Snowflake + UNC，工作完成于 Snowflake 实习）提出首个面向通用工具使用的开放中期训练语料管线：从网页、PDF、代码、真实 API 与 MCP 技能四类源出发，经「上下文接地增广」与「原生 Agent 轨迹合成」两条分支构建 20.3B token 的 MidTool-Mix，中期训练 Qwen3-4B/8B-Base 后再统一 SFT+RL。在 BFCL、τ²-Bench、MCP Universe 三基准上，两种后训练配方下均一致超过 SFT-only 基线，RL 通常进一步放大增益，MCP-Universe 上 4B/8B 全面超过 Qwen3 官方同尺寸模型。本精读覆盖背景、定位、问题抽象、管线解法、实验证据、机制因果链、必要知识反推与可迁移灵感。
北交大团队提出 MileGPO，针对长程 LLM Agent 训练中最棘手的过程级信用分配问题：GraphGPO 等图方法按最短路径距离赋信用，只能刻画「可达性」而非「可靠进展」。MileGPO 从同一 rollout 图中挖出三类被忽视的信号——成功轨迹的候选里程碑、失败轨迹的反复陷阱、同状态兄弟分支对比——经可靠性加权塑形 RCS 与进度对比校准 PCC 两级校准后注入优势估计。ALFWorld 整体成功率 94.60，超 GraphGPO 3.13 点、超 GiGPO 4.43 点；ID–OOD 差距仅 1.69 点；WebShop 同状态平局率达 72.7%，图上 83.0% 的平局可被 RCS 纠正。全程零辅助模型、零额外环境交互，本精读重点拆解「共享状态覆盖率相同、歧义结构决定增益」的机制因果链。
微软联合匹兹堡大学、西北大学、UC Irvine 发布 THINKINGBOX 沙盒与 THINKINGBOX-BENCH 基准：507 个政策条件化的有状态业务工作流，覆盖零售、酒店、车险、新银行 IT 与咨询 IT/HR 五域，用隔离的 MCP 工具会话、模拟用户与终端后端状态检查评测 Agent。最强模型 GPT-5.4 pass@1 仅 65.36%，pass@20 高达 91.12% 但 20 次全过的 pass^20 仅 25.25%，暴露「偶尔成功」与「可靠完成」之间的巨大鸿沟；79,853 次失败试验中 80.88% 干净终止且含写操作，证明响应级/调用级信号无法代理端到端完成。本精读覆盖其 POMDP 形式化、评测协议、失败归因与可靠性根源分析。
当 Agent 技能库膨胀到成千上万份文档，往上下文装哪几份技能直接决定任务成败与 token 账单。清华交叉信息研究院 Longbo Huang 组首次把「技能选择」形式化为硬 token 预算下最大化「单调次模收益减线性上下文惩罚」，并提出多项式算法 BPS，证明该问题首个双准则(1−1/e, 1)近似保证，收益系数多项式时间最优。目标函数从执行记录拟合，拟合误差可证转移到有界选择regret。在污染受控 BigCodeBench 变体上，BPS 达 0.73 实测成功率，对已发布路由器、检索器与执行器自选的 0.20–0.52 全面胜出，且比最强路由器省 28% token。本精读拆解其形式化、BPS 算法、预算对齐插值证明，以及「上下文价值是集合级而非单体可打分」的核心洞察。
工具增强Agent每个请求都要重新编码一遍以不同组合、不同顺序出现的工具与技能schema，标准前缀缓存对此无能为力。ReCache提出resource-wise attention，切断资源间注意力并重置资源内位置索引，使每个资源的KV块具有组合不变性、可独立缓存复用；再叠加贡献选择的层-KV头组路由与字段感知的语义剪枝，把KV张量内存降低92.43%、注意力加速1.423倍，同时Inv-F1基本不降。本精读覆盖其动机、机制、七数据集基准与效果根源分析。