帕绍大学单作者研究，用一台CPU笔记本完成了一项改写agent工程常识的测量：把失败调用和报错追加进transcript这个从ReAct沿用至今的标准做法，会让小模型更倾向于重复刚刚失败的动作。定义corrective gain指标后，6个模型（135M-1.7B）在两个环境的G全部为负（约-1.03 nats/token，每token odds×2.8）。反事实分解揭示根因：83%的损害来自失败调用的表面形式触发了复制机制，而非模型读不懂报错。由此预测并验证：描述化改写与decoder级ban有效，‘别重复’指令无效，而’清空上下文重试’这一先前推荐方案恰恰最糟——它精确恢复了产生失败的上下文。
微服务故障根因分析（RCA）自动化该往哪个方向使劲？这篇香港中文大学与字节跳动的论文先用 24 个受控实验给出反直觉结论：裸的通用编码 Agent（Codex/Claude Code）已经全面超过从零构建的专用 RCA Agent——但离生产可用还很远，缺的不是推理能力而是系统特定经验。答案不是重造 Agent，而是造一个能自我进化的外部 harness：OpsHarness 用四层知识与 idea-card 工具库做数据平面，用「挖掘-验证」双门进化循环做控制平面，Top-1 准确率 59.0%（较裸 Agent 相对提升 63.4%，是专用 Agent 的 4.02 倍），并在真实生产环境拿到约 3 倍提升、同一故障复发时从 Top-3 之外跃升 Top-1 且 2 分钟内定位。
OODA-Tool（AACV 2026）诊断出多轮工具使用的核心失败模式为「状态-动作竞争」：直接函数调用与 ReAct 策略在同一条自回归轨迹里同时学状态跟踪和动作生成，产出下一个调用的压力会覆盖早期积累的信息。借鉴博伊德的 OODA 循环，它把决策拆为 Observe（重建任务状态）→ Orient（判断执行就绪）→ Decide（形成动作结构）→ Act（落地实现）四个类型化阶段，由中央控制器逐级校验交接。在 ToolDial 上用 Qwen3 从 0.6B 到 14B 全规模评测，Specialized OODA 相比 Direct-LoRA 提升 4.48-6.99 个百分点，小模型与状态密集型任务增益最大；状态-动作矛盾率从无分割的 10.7% 降至 3.9%，代价是 2.36 倍延迟。本精读拆解其类型化接口、消融证据与并行调用边界。
深度精读 Apodex 团队的科学工作流基准论文——300 个端到端科学工作流（本文发布 97 个、203 个内部留出），覆盖量子化学/分子动力学/材料表征/分析化学/生命科学/电化学环境六域 21 个工作流族，评测单位是完整交付的工件 bundle 而非单一答案。12 个前沿模型 × 3 种 scaffold 的结果揭示核心裂口：最高平均分 87.9 但最高 Pass Rate 仅 20.6%，分析化学 87.6 分对应 4% 完成率、电化学 94.9 分对应 0%；非通过 Claude Code 轨迹中 75.5% 结尾仍声称「已完成」——高分与自信声明都不是交付成功的可靠信号。
深度精读腾讯微信团队（26 Aug 2026）论文 IAPO：多轮服务 Agent 训练中，最终奖励无法指出哪些中间动作真正立功。IAPO 把每条已完成轨迹表示为带符号的影响依赖图（支持使用边/失败使用边），用「信息被下游实际消费」「错误可观测传播」两路证据重新路由轨迹级优势，不改奖励、采样与损失实现，在 τ²-Bench 上把 Qwen3-8B 从 29.61% 提到 42.18%（+12.57pp），电信域增益最大达 +18.19pp，且不伤函数调用能力。本文解析其「写即所用」的证据三条件、符号条件路由机制与三条数学保证。
Agent 的能力从来不只取决于模型权重，还取决于包裹模型的执行脚手架（harness）。LV-NUS Lab 提出 JIT-Agent，训练一个 27B 的「harness 智能模型」，在推理时为任意现成 agentic LLM 即时合成任务自适应的 harness，并能修复与在线演化。DeepSeek-V4-Flash 配上它即可在 DeepSearchQA 反超 GPT-5.6 达 9.1 分，同时成本比所有固定 harness 平均低 36%。本精读拆解其四模块 harness 协议、三阶段训练流水线与 Evo-GDPO 目标，并解释「按任务实例即时生成脚手架」为什么在机制上必然优于单一固定脚手架。
深度精读 Appier AI Research + 台湾大学（25 Aug 2026）论文 SMITH：现有工具创建系统让强模型写工具、弱模型用工具，写工具的模型从不被激励去设计「自己能可靠调用的接口」。SMITH 用 RL 在单一策略内联合训练工具创建与使用：use 任务只给 JSON schema，接口写得烂必然调用失败，形成「写即所用」闭环；三条独立奖励轴分离 schema/代码/结果失败；easy-to-hard 协议逼出可泛化工具。4B 模型在 RG Unseen 达 79.9 压倒所有同骨干框架，平均输出仅 100 token（比 CoT 少 32 倍），其工具还能让 350M 小模型追平 30B 写的工具。
深度精读中国科大 HiPS 论文：把记忆增强 agent 的记忆管理策略分解为「全局共享层 + 用户专属增量层」，用分歧门控决定谁需要个性化、跨层规则流动动态校准边界、反循环奖励分离阻断自我验证——12 个评测设置全部 SOTA，并发现域内靠通用规则、域外靠个性化机制的「组件重要性翻转」现象。
Meta^n（明尼苏达大学 × 首尔国立大学）针对自我改进系统『实现元深度只有约 2』的天花板，提出固定元操作 Ω 对自身输入递归：Ω 读下层栈的全任务执行轨迹+产生它们的代码栈，写出下一层（策略性预处理器+可调用辅助函数库），深度由收敛决定而非预先设定，进化档案在层链空间搜索。8 个基准族 × 2 骨干上至少一个估计器全面领先先前自改进 agent，ARC-AGI-2 held-out 上唯一非零（0.331 vs OpenEvolve 0.003）；消融显示递归本身贡献 +0.131，其中层间条件化占约 72%；深度角色自发涌现——回滚角色在深度 2 恰为零、深度 3 出现 55%。
代尔夫特理工大学团队提出 Narcissus：当任务固定目标语言（CFG 定义的 DSL）时，LLM 提案通常违反语法或不满足规格——与其反复重提示，不如把提案一次性编译成「上下文感知」的搜索启发式。它将提案解析修复为语法树，用前缀对齐（相同上下文的提案是否用了同一规则）、子程序复用（提案反复出现的片段）与正则化（提案指示的程序规模+保底项）三个信号给每次扩展打分，搜索期间零 LLM 调用。在五个域、两种搜索后端上，Narcissus 在每个预算下击败静态先验：SLIA-70 上 51.4 对 32.2，ARC-100 上解决 40% 而原始提案仅 13%，到达提案区域快约 12 倍；DeepSeek 弱提案加搜索甚至超过 GPT-4o 直接采样。正则化保底项保证任何规则不被剪枝——错误提案只会延迟解、不会藏死解。