AI agent 能写出“保证正确”的软件仓库吗？UC Berkeley Dawn Song 组牵头推出 Vero——首个仓库级“实现+证明”联合合成基准：43 个多模块 Lean 4 仓库、743 个 API、2705 条规格，并首创让 agent 形式化证明“基准本身有错”的审计机制。最强配置 GPT-5.5 (xhigh) + Codex 仅完全解决 27/43，仍有 10 个实例、219 条规格抵抗全部 8 个配置。本精读覆盖其基准构建、反作弊协议、审计机制与失败模式的因果分析。
这篇来自华为与华中科技大学的 empirical study 首次系统地把 LLM Agent 的失败归因到「被加载的 Skill」上。作者借鉴差分测试思想，构建配对执行（有 Skill vs 无 Skill / 语义匹配 Skill），在 SkillsBench 与 SWE-Skills-Bench 上确认了 307 个技能诱导失败（125 功能失败 + 182 效率回归），并开发分类法驱动的 SkillTriage 归因工具。最反直觉的发现：看似相关的 Skill 比不相关 Skill 更有害——它让 Agent 错误实现或漏掉任务必需元素；效率回归的最大来源不是提示长度，而是「过度程序」（过度验证 67 例、重实现管道 30 例）。
Salesforce AI Research 联合 Notre Dame、UIUC（Heng Ji）提出强到弱推理时脚手架（Strong-to-Weak Scaffolding）：用强 builder 模型为弱 target 模型自动构建推理时 harness，无需任何参数更新即可在四个 Theory-of-Mind 基准（3900 项）上将 GPT-5.4-mini 从 0.488 提升到 0.912（+0.423）。机制分析表明增益主要来自把不稳定的自然语言推理卸载为确定性代码（r=0.72），而非更长推理链或更多采样。这是对传统训练时蒸馏的一条互补路线，也直接印证了 harness 工程作为独立工程对象的价值。
Bang Liu 团队 38 页范式论文，提出继 Digital Agents（数字状态）和 Embodied Agents（物理状态）之后的第三种 Agentic AI 行动基底——Combodied Agents（以人的演化状态为核心）。文章构建了一个以事件级多模态感知、可纠正纵向记忆、Personal World Models、可接受干预策略四模块组成的闭环框架，并把’保留并增强人类 agency’首次系统化为可评估的指标体系。本文从背景、定位、问题抽象、解法机制、评估体系、优势根源、必要知识反推、通用性灵感八个维度逐层精读。
ByteDance Seed 团队提出的 Harness-IF 把「编程 Agent 是否真的在遵守指令」这件事第一次变成了可量化、可归因的规则级测量问题。它构造了 642 条原子规则的库，实例化出 60 个多轮编程任务，在 5 个可配置的「指令表面」(系统提示/工具描述/技能描述/项目文件/用户指令)上分别打分；更重要的是，它用 Against-Prior Accuracy(AP-Acc)把「模型本来就是这么做」的巧合从「真正遵从指令」中剥离出来——12 个前沿模型无一例外都在反先验规则上表现更差，平均落差 5.81 分。配套的 E0 冲突实验还揭示了一个反直觉结论：表面优先级并不服从提示深度，SP/PF/UI 同居首位，而工具描述和技能描述垫底。这篇精读从背景、定位、问题、解法、证据、根源、知识反推到通用灵感，完整拆解这项与 Harness 评估方向高度相关的工作。
LMU Munich 团队提出的 Mendel Gödel Machine (MGM)，将孟德尔遗传学中「受控比较分离遗传效应」的原理引入自改进编码智能体。在 HGM 的树搜索框架之上，MGM 新增两种自我修改算子——反应规范突变（跨任务比较同一基因型）和跨谱系杂交（跨谱系比较同一任务），在不增加任何额外任务评估成本的前提下，把 Qwen3.6-35B-A3B 在 Polyglot 上的成绩从 50.8% 拉到 93.3%，以约 117× 更少参数超越闭源 GPT-5；进化的脚手架迁移到 DeepSeek-V4-Pro 后在完整 Polyglot-225 上达 96.9%。本精读覆盖其生物学启发、三种算子机制、加性适应度景观下的收敛性证明、实验证据与通用性灵感。
深度精读阿里+浙大+杜克联合提出的 SkillZip——首个无需任务回放（evaluation-free）的 Agent 技能压缩方法。它把’自进化积累的技能’视为一份带类型签名的契约，用’解释一次，引用多次’的直觉统一了规则共享、作用域提升、工作流复用与例外编码，形式化为一个带硬覆盖约束的类型化最小描述长度（MDL）目标。实验显示：平均压缩 31.2%，性能甚至略超未压缩技能，压缩速度比最强基线 SkillReducer 快 3.5 倍，且零次任务 rollout。
深度精读 Pathway 公司的 BDH-CQ（Dragon Hatchling 架构家族）——一种用 150M 参数挑战 ARC-AGI-1 的后 Transformer 序列模型。它抛弃了主流大模型’生成自然语言思维链’的推理范式，转而在高维潜在空间中迭代计算 R 次，把每次推理成本压到 0.85 GPU-秒、约 0.0007 美元，却能在 ARC-AGI-1 公共集上拿下 29.5% pass@2，比 GPT-5.6 Luna(Low) 便宜约 57 倍。本文用通俗类比讲透’潜在推理’、‘循环记忆’与’低秩通信’的本质，并解释为什么这套结构在’抽象推理流体智力’基准上能弯道超车大它三个数量级的模型。
深度精读论文《BONSAI》——首个以『可进化性（evolvability）』而非当前适应度引导技能搜索的框架。面对『单一验证分数无法区分宽广平台与狭窄尖峰』这一根本盲区，BONSAI 将技能生长为蒙特卡洛搜索树，让节点下的平均分数免费估计变异邻域的可进化性，无需任何额外模型调用。在冻结 30B Agent 上、三个基准平均，BONSAI 比无技能 Agent 提升 23.13 点，比 GEPA 提升 3.87 点，比 SkillOpt 提升 3.97 点；消融实验证明可进化性信号本身在相同树上贡献 +2.14～+7.02 点。
深度精读华为加拿大软件卓越中心与女王大学的 DCAS 论文——首个系统揭示开源 CLI Agent 存在’scaffold 锁定’现象的工作。论文发现：在 OpenHands 单一 scaffold 下微调的模型，迁移到其他 scaffold 时性能可从 52.6% 暴跌至 8.4%。通过提出 DCAS 后端替换拦截层和区分显式/隐式规划两种形式，论文给出了一条从 scaffold 制品到模型能力的可行迁移路径，仅用 576 条规划感知轨迹即可让模型在非训练 scaffold 上一致提升。