NVIDIA 提出 ACES，把 Agent 技能从「扫描文档」推进到「活体配对评测」：同一任务在有技能/无技能两种条件下运行，唯一变量是目标技能是否可用，六指标差值即 Skill Lift。145 个技能上结构分与 LLM 评分相关性仅 Spearman ρ=0.14，94.5% 通过结构门槛的技能与活体 Lift 相关性近零（-0.018）；947 个配对案例显示平均复合 Skill Lift 为 0.2134，其中技能执行 +0.33、行为检查 +0.30 等过程指标贡献最大，且负 Lift 可区分「从未发现」与「发现但误用」两类失败——这是文档扫描永远看不到的信号。
深度精读 UIUC×Meta AI 合作论文 EvoHarness-RL（已被 LLA@COLM 2026 接收）：把长程智能体对外部 harness（记忆、工具、状态跟踪）的访问从提示词硬编码变成可学习的策略决策。通过 BPE 三态抽象（Belief/Progress/Experience）与四个元动作（track/commit/recall/note），配合教师轨迹 SFT 与代价感知 GRPO 两阶段训练，Qwen3-8B 在 ALFWorld 上从 ReAct 的 47.9% 跃升至 96.9%，逼近 Claude Opus 4.5；训练中还揭示“harness 退火”与“harness 演化”两个动力学过程。
LongWoF-Bench（EvoMap × 清华大学，778 个机器可验证长工作流任务）回答了一个技能资产化的核心问题：什么样的’经验’才值得复用？对照实验给出干净答案——‘验证器确认的执行经验’（Gene）在 7 个消费模型上稳定超越静态技能文档 8.7~15.5pp 且 token 更省；而没有经过验证器确认的’参考蒸馏’经验反而全面落后。经验的有效性来自’经过端到端验证的失败与修正信息’，而非表示形式。
深度精读阿里巴巴×浙大×北大×复旦合作论文 MerchantBench——首个通过 365 天订单级电商仿真评测 LLM Agent 长期连贯性的基准。基于 1688 平台 98,843 条真实商品记录与 26 个工具，8 个主流大模型在 48 次全年运营中无一接近人类：最佳配置（Qwen3.7-Max + Hermes）最终净资产仅为人类参与者的 27.3%。论文提出操作连贯性与战略连贯性双维分析框架，揭示『活动衰减』与『战略漂移』两类渐进性失败，并提出 SWR（持续窗口率）这一可诊断『高分掩盖停摆』的过程指标。
MobilePA-Bench（阿里巴巴通义 MAI Team）填补了移动端 Agent 评测的中间地带：不是像素级 GUI 操作、也不是离线函数调用，而是’有状态沙箱里的中央规划器’——212 个真实工具×13 领域的活数据库沙箱，原生注入权限阻断/缺参/实体歧义等环境摩擦，并把子 Agent 协作、个性化记忆、技能加载设为三维能力门。1705 个任务上 13 个前沿模型最高只有 75.52%（Claude-Opus-5），且各维度冠军分散在 4 个不同模型——移动端没有全能规划器，Memory 维度全员不及格（最高 64.63%）。
深度精读普渡大学 arXiv 2026 论文 ARTIC：自然语言工作流虽然给智能体提供了软件式接口，但数据依赖隐式、长分支指令难跟随，执行不可靠。ARTIC 把 NL 工作流编译为每步声明读写工件、约束门控产出、显式控制转移的形态，用约束优化精化高风险步骤，再以局部义务分解加场景干跑验证忠实性。在 11 个真实领域 488 个问题上，任务解决率较原始文本工作流提升 28 个百分点，跨模型执行一致性提升 32 个百分点，重复执行一致性提升 56 个百分点。
NFV（Microsoft Research，单作者 Shuvendu K. Lahiri）让 AI Agent 当形式验证语言的前端：Python 开发者用自然语言问’这个函数对不对’，Agent 把程序与规范翻译到 Dafny，由成熟验证器逐条机器检查，证明可查、缺陷有 witness。在 206 条数据集上 57.3% 的条目给出机器检查证明 @92.2% 精度——而 LLM-as-judge 直接判定的精度只有 72% 且无 artifact；无纪律的’LLM+验证器自由证明’更是 98% 的正确程序和错误程序都被’证明’（精度 50%）。关键机制是’无证明即弃权’与 staged discipline（溯源标签+冻结翻译堵死为证明而改代码的捷径）。
Prime Agent（Prime Intellect × Princeton × MIT）用一个持久 IPython REPL + 递归子 Agent 的抽象，证明同一模型仅更换 harness 即可把 ARC-AGI-3 成绩从 30.2% 推到 95.5%、超过人类专家基线 95.4%。本精读拆解其两层核心抽象——Recursive Language Model（把上下文当变量、子 Agent 委派当函数调用）与 Continual Harness（把 harness 自身状态变成可 CRUD、可在线自我改进的数据），并解释为什么’harness 表达力’是被严重低估的能力放大器。
Repo2Skill-Evo（字节跳动 × 北京大学 × 北京交通大学）提出并评测了一个此前无人命名的问题：‘仓库技能静默失效’——仓库版本升级后，从旧版蒸馏的 Agent 技能不报任何错、继续被加载检索，但内容已全面过时。基准要求 Agent 依据官方 release patch 维护技能集（删掉过时内容），用人工逐行验证的 12,217 行’黄金过时行集’做删除式指标：6 个前沿模型全部不及格，最强的 Claude-opus-4.6 也只有 69.7% F1，85/105 个版本转换低于 0.65 的 Easy 阈值。
Signal or Noise（百度 NLP）用字节长度匹配对照（±5% 的无关 Skill 控制组）证明：向编码 Agent 注入匹配的 WebDev Skill 平均是负收益——4 个模型 ΔPass@2 全负（-1.3~-4.2pp），token 开销却 +72%~394%。更深一层，负效应有两种机制：Sonnet/Qwen 是’长度分心’（该缩短 prompt），GPT-5.1/DeepSeek 是’内容误导’（该审查内容），需要相反对策；且 Skill 效用的跨模型相关性近零（|r|≤0.12）——Skill 是 (Skill,项目,模型) 三元组属性，不是可移植资产。