TROVE: 轨迹锚定的最小充分路线编辑 — 智能体编排的运行时修正 精读
TROVE 把智能体编排的结构决策从’执行前锁定’改为’运行时最小充分编辑’：离线把工作流搜索轨迹蒸馏为原子/复合技能+结果条件转移图，在线对挂起路线执行保留/插入/替换失效后缀三操作。代码生成、QA、数学推理上质量-效率权衡全面优于 AFlow/MaAS/LAS。本文精读’route 即临时品’的编排新原则。
Agent
What Does Multi-Harness RL Learn? — 评测 Harness 是 Agent RL 的主导变量 精读
本论文在同一 Qwen3-8B 热启动上回放相同任务-harness 记录（Aider/OpenHands/Qwen Code/SWE-agent），对比 GRPO 的 Within/Cross 两种分组规则，用 24,000 次密封 SWE-bench Verified 评估发现：评测 harness 使解决率从 2.14% 摆到 9.27%（4.3 倍），训练配方仅移动 1.16，分组规则不显著（+0.25pp，CI 含 0）。harness 工程对 Agent RL 的影响碾压算法选择。
τ^τ-Bench: 把'构建智能体'变成任务的端到端基准 精读
Sierra×Princeton 的 τ^τ-Bench 把’交付一个生产级客服智能体’本身作为评测任务：开发智能体拿到真实业务记录、需求方客户、生产 API 与继承代码库，须在成本与模型限制下交付完整 agent，再用 held-out 模拟用户评分。最强配置 Claude Opus 5 + Claude Code 仅通过 23.9%，专家参考上限 82.2%，banking 域低至 5.9%。本文精读这一’元任务’基准的设计哲学与失败模式解剖。
Compile by Training: Turning Natural-Language Specifications into Local Neural Functions 精读
滑铁卢大学×哈佛的 Compile by Training 把’编译’概念引入神经函数：教师模型从自然语言规格合成监督数据，训练 LoRA 适配器特化冻结的 Qwen3-0.6B 解释器，产出可存储、可版本化、可组合的 .paw 程序。在 PAW 快速编译器零精确匹配的 FuzzyBench-Hard 上语义准确率从 0.224 提升至 0.836，编译仅需约 50 秒。本文精读其’训练即编译’范式、分钟级编译服务工程与速度-精度新权衡点。
Knowing When Not to Reuse: Conditional Experience Transfer in Autonomous LLM Post-Training 精读
自主 LLM 后训练系统不断积累’过去什么更新有效’的经验，但父模型一旦变化，旧经验就可能是毒药。本文把这一困境形式化为条件经验迁移问题，提出 BCIT：把效果绑定到源上下文、更新前检查适用性、具名硬冲突否决、必要时小预算试验取证。等预算对比中 BCIT 更少授权有害更新、最终模型质量更高，为自进化 Agent 补上’免疫排异’机制。
AutoTraceGT 精读：把扎根理论变成 Agent 轨迹的自动化显微镜
AutoTraceGT（Cornell×JHU×Purdue×UTEP）把社会科学 60 年的扎根理论算法化为多 Agent 流水线：OpenCode/AxialCode/TheoreticalCode 三级编码+Manage 持续比较，直到理论饱和（连续两轮新增类别<ε）。7500+ 轨迹、6 数据集、4 骨干 LLM 上，代码本恢复人工分类学 73–91% 的失败模式并发现遗漏模式，作演绎特征做失败预测 ROC AUC 最高 0.773。
DRACO 精读：没有验证器时，如何给长程 Agent 训练信号分步定责
DRACO（IBM×CMU）形式化’outcome-blind’训练设定——长程 Agent 任务往往没有程序化验证器可依赖。方法用训练中动态生成的 rubric 逐轨迹打一次分，再按’步骤涉及哪些标准’闭式分摊到每步 GRPO advantage，不引入任何可学习归因模块。AppWorld TN 上 Qwen3.6-27B TGC/SGC 69.4/41.1→85.3/70.6，反超偷看真值奖励的 GRPO +5.3/+11.3，τ-bench 零样本迁移 SR 15.8→20.4。
RealSWE 精读：真实用户请求正在让编码 Agent 榜单失真
RealSWE（成均馆大学）用六类信息分类学×四维语言风格对照 SWE-chat 真实用户 prompt 与 SWE-bench 任务，发现 88% 真实请求只带问题描述而基准任务仅 7%；据此构建 381 个多变体任务族，测得 7 个主流模型在真实输入下平均掉 6.4pp 且排行榜改写——MiMo V2.5 Pro 反超更贵模型升到第 2。控制变量消融进一步证明：Desired Behavior 字段值 8pp，复现步骤与环境信息几乎一文不值。
所有 Skill 都会死：卡比谈驾驭大模型的三层功夫——上下文、方法论与长活 Agent
GitHub 中国区 Top 100 开发者、Open CLI 作者卡比在 B站 Builder Club 交流日分享如何驾驭大模型：AI 的能力不只来自模型，也来自 Harness（运行时脚手架）。他给出三层可操作的功夫——理解并主动管理四层上下文与「有效上下文」，用方法论名字替代冗长 Skill（断言「所有 Skill 都会死」），以及在开源社区用长活 Agent 与 Swarm/Graph/Team 三种多 Agent 形态承接真实工作流。核心判断：模型终将吸收一切提示词工程，人剩下的核心位置是编排——拆任务、管上下文、沉淀 AI 友好（AX）的流程。
DeepMind 研究蜂群精读：当 100 个 AI 研究员自发作弊与吹哨
Google DeepMind 在 100 个自主 LLM Agent 组成的研究蜂群中，完整观测到一次评测漏洞的涌现—病毒式传播—集体对抗全过程：作弊 Agent 在竞争压力下合理化采纳漏洞，诚实 Agent 则自发组织审计、抵制与公开吹哨。论文把多 Agent 安全重新框定为 Ostrom 意义上的’知识公地治理’问题。本文基于全文阅读拆解其通信原语、行为时间线与制度设计启示。