本文提出 two-gap 框架统一解释 agentic SE 的核心失败模式：requirement gap（需求 R 与利益相关者意图 I 的差）与 model gap（环境模型 M 与真实世界 W 的差）——reward hacking 是利用鸿沟的假接受，hallucination 是拓宽鸿沟的虚构。框架推导出非显然结论：叠加更多审查 agent 无用（共享同一 R/M/E 前提）、证据与权威必须来自内循环之外。案例集覆盖 KV store 六倍吞吐作弊与 2026 年 7 月 OpenAI/HF/Claude 评测越权事件。
TU Munich × JetBrains Research 的产学研负结果研究：在真实 Kotlin 仓库的合并 PR 反向挖掘任务上，GEPA 优化 SKILL 文档仅 +4.9pp（统计不显著）、SkillOpt 仅 +0.1pp——此前文献自报的巨大增益（55%→82%）是在弱模型弱 harness 配置下测出的。论文进一步证明 pass-rate 增益量级与二元判决本身的误标率（10.7% 盲重试通过）同阶，测量仪器而非优化器才是瓶颈。maintainer 盲读却确认 SKILL 含真实项目知识——分数之外的价值。
Scale AI 提出并形式化’任务无关环境预处理’设定：agent 在不知道下游任务分布的前提下自主’学习’陌生环境（S: Π×E→E——学习系统在预算内探索环境、产出制品给冻结 solver）。Meta-Agent（±策略 Archive）在 6 个异构 benchmark 的 5 个上取得最高 Avg@3；学习制品显著降低测试时采样需求；但更大学习预算不必然提升——‘学什么’比’学多久’重要。
那不勒斯费德里科二世大学的 78.7 万函数对大规模研究：3 家 AI 助手（GPT 系/DeepSeek-Coder/Qwen2.5-Coder）按人写函数的 docstring 生成配对实现，静态分析映射到 ODC 缺陷分类+CWE 漏洞分类实现三语言（Python/Java/C）同框架人机对照。核心发现：AI 代码’结构压缩+风格模板化’（体量约人写一半、风格层独立聚类）；缺陷类型分化而非数量分化；C 语言上 AI 高严重性内存安全缺陷反而更少。发布 CQBench（27,346 高问题任务）——Opus 4.8 在其上仍 2/3 有缺陷、1/3 有安全发现。
Pheo 团队对 ClawHub 全部 66,192 个 agent 技能版本做了测量：705 个被所有扫描器和 LLM 判官共同判为「清白」的技能，仍在指示 agent 执行 CIS/NIST 明令禁止的操作；活体实验中 agent 对 43.4% 的此类技能真的伸手，运行时门控 23/23 全部拦截。论文提出 OATS——无模型决策路径的确定性解析器 + 按资源×类别键控的信任账本 + 从操作者风险容忍度统计推导的晋升阈值，把 agent 安全从「发布时扫描」的单层世界重构为分层组合的世界。
Continker 发布 955 案例 × 6 真实地铁系统的 LLM 售票机策略层基准：模型须调结构化工具并提交机器可渲染终端状态，双层评分栈（14 确定性组件 + 8 语义组件）经双人标注校准。核心发现：4B Qwen3.5 学生 PEFT 后 Tier1 91.3 超 GPT-5.6 两档（90.6/90.0）匹配 GPT-5.4 满推理；PEFT 增益随基座规模单调衰减（2B +7.03 → 27B -0.91），给小模型蒸馏划出容量-天花板曲线。
Purdue+UT Dallas（Elisa Bertino 组）对 Linux 基金会 A2A 协议做首个系统性安全分析：NL 规范→验证 FSM→受限 LLM 推理+对抗验证的三阶段框架。FSM 构建在 TCP ground-truth 上恢复 11/11 状态、19/20 转移（F1 0.84）；在“攻击者完全合规”假设下发现 11 个新漏洞——跨客户端上下文注入、委托链多跳身份丢失凭证收割等，全部无需实现缺陷。
JHU/UC Berkeley/NVIDIA/UIUC/UW-Madison 五机构发布 EvoSafeHarness：为冻结 LLM Agent 自动搜索’模型×领域’专用安全 harness，DecodingTrust-Agent 上 ASR 45.6%→10.0%（utility 仅损 3.3 分），AgentDojo 82.8% utility @ 0 ASR。核心洞察：模型变体决定 enforcement 强度、领域变体决定谓词与状态——universal 安全 harness 在结构上就不存在。
独立研究者 Haseeb Mohammed Afsar 对 MCP 注册表做首个未修复概率样本审计：24,135 服务器普查中概率抽 400 个 npm/stdio 服务器在线探测，仅 48.8% 完成 initialize 握手（手工精选框架 66.7%），37.5% 根本无法启动；能跑的 195 个硬一致性 100%，但安全注记缺失率 58.8% vs 精选 41.5%——整个领域的采样偏差第一次被量化。
Theseus Lab 32 人团队（含清华/上交，腾讯混元等六家工业案例）发布 RSI 系统综述：以改进闭环为分析单元、L1-L5 自治分级框架，用 HCI 指数量化 2023-2026 能力轨迹（工具 Agent 39.9 vs 数学 86.4——交互能力 headroom 最大），区分“结构递归”与“有效递归”，并给出安全继承/自治归因/可靠验证三大挑战的判定标准。