深度精读南洋理工大学的 LLM Agent Harness 架构收敛研究——首个对 harness 层本身做源码级多案例研究的论文。三个来自对立哲学的开源编码 agent harness（LangChain deepagents、Earendil pi、DeepSeek dsh）反向演化却汇聚于同一五要素中间形态：商品化循环、仅追加可重放会话记录、模型怪癖数据化、上下文渐进披露、显式扩展缝隙。本文逐项拆解五要素与三类收敛机制（平行发现/扩散/字面复用），还原四条汇聚断层线缺陷分类，并解读唯一零收敛维度’外部可验证性’为何是预测性缺口。
AWS Agentic AI团队用58,000次agent运行、200万次API调用、360亿token的系统实验，测量了coding agent中途切换模型的隐性代价——Handoff Tax。核心发现呈方向二重性：升级（便宜模型→贵模型）时Raw全轨迹移交只恢复不到一半质量差距且成本可达LC的4-6倍，Claude家族下甚至被’弃用重启’严格支配；降级（贵模型→便宜模型）却是甜点区，保住大部分质量同时省下大头成本。最有工程价值的是接口反转现象：升级时应丢弃前模型的轨迹只留代码改动，降级时恰恰相反。本文从实验设计讲到成本机制分解，给出模型切换策略的实操建议。
深度精读 PST 2026 的 ToolMinimize 论文——Case Western Reserve 大学提出的 LLM Agent 工具调用隐私最小化中间件。动机研究显示三个生产 LLM 默认 prompt 下 81-88% 的工具调用包含不必要的隐私敏感数据，显式隐私指令后仍剩 36-76%（Llama 几乎无效）。现有防御全是 allow/block 门控或 token 级 PII 检测，无法改写参数值。TOOLMINIMIZE 在参数构造与工具执行之间拦截调用，用「模式+实体+语义」三段分类器识别 PSD（含隐式隐私如医院名隐含诊断）、按 JSON Schema 做必要性分析、执行删除/泛化/替代/截断四种改写。307 次真实调用验证：隐私成本降 81.2-92.0% 且 100% 任务有效（TOST 等价 p<0.001），中位延迟仅 1.77ms。
深度精读 CMU 论文 TraceML：首个任务对齐的人机 ML 开发过程级配对语料，把 4465 条人类 Kaggle 轨迹与 207 条 agent 轨迹放进同一版本级标注体系，量化诊断出 agent 的「无记忆搜索」病症——不转向也不回访，一条约千 token 的规划提示能在 7 个竞赛中 5 个提分，但指令只能关闭「可命名」的那部分差距。
实时语音助手至今没有一套像样的记忆系统：文本 Agent 记忆动辄 top-100 检索、2–3 秒延迟，而语音对话只给得起 500 毫秒预算和 5 条记忆的空间。南洋理工、新加坡国立、清华、港中文联合团队的 VoiceMem 用「双脑」架构解题：左脑以 schema-entity 两级索引把候选池收窄到稠密子集，让 top-5 检索达到别家 top-100 的精度；右脑用独立/跨实体双节点分别建模稳定人格与情境情感；四阶段流式查询把检索藏进 VAD 静默窗——134ms 完成检索、零感知延迟。信息记忆均值 76.39 超最强基线 +10.6，token 省 4.4 倍；还贡献了 53 小时音频的 ChatMem-Bench 与首批带显式记忆访问的语音语言模型。
LLM 多角色工作流中，上游确立的安全约束（如“未获审批不得执行“）经摘要、计划、工单等交接变换传给下游后，是否仍然“说话算数“？深圳大学团队提出“操作性状态保持“概念并设计阶段分离受控实验：1296 个主实验 episode 中，直接交接对照 100% 保持约束，而正常级别的交接压缩使约束失活率达 100%、违规执行 54.2%；恢复全部四个状态字段则将两者归零。下游验证可在不改工件的情况下消除违规（0%），证明工件修复与端点遏制是互补的系统功能层。核心发现：语义可用不等于操作保持——内容还在，约束力没了。
深度精读 arXiv 2608.19202——把 Agent 的上下文获取（澄清提问、检索、工具调用、提示试验）形式化为主动推理：内层更新对潜在任务状态的信念，外层在上下文动作、任务动作与停止动作之间做选择，最小化包含风险、认知价值与成本的期望自由能。论文推出 OQA 基准，把提问变成属性表上的二十问游戏，用动态规划给出最优 oracle；七个前沿模型全部落后于 oracle。在提示补全实验中，定向澄清把验证器合规率从 0.0417 提升到 0.375，最佳设定 ε*=0.01、K*max=2。核心主张：主动推理是模型无关的上下文获取层设计原则。
深度精读 Meridian Intelligence 与 UMass Amherst 合作的 AgentMercury 论文——从高层业务场景合成 4,783 个可执行业务环境的框架。文章拆解其世界与任务分离设计、PLANET 构造流程与确定性 SQL 验证机制，解读 Qwen3.5-4B 在 EnterpriseOps-Gym 提升 27.6%、AIME26 提升 10.1 分的域外迁移证据，以及构造轨迹微调让环境作者成功率从 3.3% 跃升至 83.3% 的闭环实验，回答一个核心问题：出题人本身能否被训练出题。
本文为 2026-08-25 精读系列的导览：16 篇触发顶会标准精读的论文横跨 Agent 评测反作弊、Harness 可学习化、经验资产化、因果测量方法学四大主题。本文给出全部精读的索引、跨论文趋势综合（verifier-grounded 成为共同底座、评测从’分数多高’转向’分数测的是什么’、产学研从联合发文转向资产+方法学互换），以及按读者角色（研究者/工程师/管理者）的阅读路线图。
Apodex 1.1（Apodex Team）提出’双扩展面’范式：把任务环境构建（Environment Scaling）与多智能体协调（Agentic Coordination Scaling）确立为与模型规模并列的两个扩展维度。Agent Team 架构把任务分解、异步委派、非对称验证、重规划训练进模型策略，在 GDPVal 拿到 78.8 win rate、IMO-2026 数学超金牌线、SWE-bench Verified 77.7%，且全部开源（含 35B mini 版权重）。本精读重点拆解其’正向便宜、逆向昂贵’的验证器设计与 Agent Team 协调增益的机制来源。