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。
本文精读 Anton Razzhigaev、Roman Yampolskiy 等人 2026 年发表的 Ouroboros——一个能够自开发的前沿编程 Agent。它把 Agent 的工具、提示词、上下文组装乃至核心实现本身都视为可被审查、可被修改的活体代码，并通过多模型对抗式 diff 审查作为变更门控，实现经审查的核心进化（Reviewed Core Evolution）。文章在 Terminal-Bench 2.1、OSWorld-Verified、CL-Bench 等基准上刷新 SOTA，并在代号为 Hope 的 161 天活体实验中持续运行（累计 1085 次自我修改提交、94.2% 由 Agent 撰写）。本精读将从背景、定位、问题定义、方法、评估、优势根源、必要知识反推、通用性灵感八个维度系统拆解这篇论文。
深度精读 Hui Xue 与 Fan Yang 的《Rethinking Self-Evolving Agents》——一项直面预设流水线是否仍然必要的反思性研究。文章提出 OEO（Open-Ended Optimization，开放式优化）：固定目标、交互、预算、数据边界和评估这五项不可妥协的约束，但把优化过程完全交给前沿模型自行组合。在 GPT-5.5 驱动下，OEO 在 14 次正面交锋中 12 胜 1 平 1 负，仅用 SkillOpt 配置预算中位数 34.3% 的目标交互 token。本精读按九部分结构拆解其背景、定位、问题抽象、机制、实验证据、优势根源、必要知识反推与通用性灵感，并重点解读能力依赖的脚手架这一核心洞见。
深度精读 SHE 论文——复旦、阿里达摩院、莱斯大学等多校合作提出 Safety Harness Evolution，将 Agent 安全 harness 解构为 System Prompt / Rule Bank / Safety Memory / Tool Policy 四个责任显式、独立可进化的制品，并通过归因引导的进化循环把轨迹失败转化为结构化诊断、局部精化与安全-效用验证。在 Agent-SafetyBench 上攻击成功率（ASR）相比静态 SafeHarness 降低 3.1 倍，同时良性任务效用不降反升；进化后的 harness 还能零成本泛化到 held-out 的 AgentHarm 基准并跨 Agent 模型迁移。本精读按九部分结构展开：从 Agent 安全 harness 的’整体黑盒’困境，到 SHE 的’免疫系统白细胞规则集’类比，再到归因引导进化与’精准医疗 vs 全身化疗’的范式对照。
深度精读 COLM 2026 论文 SWE-Bench ProMax——字节跳动与香港科技大学合作的专家策划多语言代码重构基准。170个实例覆盖7种编程语言，平均每实例修改11.4个文件、261.6行代码。揭示近60%未解决的 SWE-bench Verified 实例存在过窄或过宽的缺陷测试，前沿模型甚至能逐字复现训练数据中的 gold patch。在两种 Agent scaffold 下，最强模型解决率仅41.2%，证明基准未饱和。多阶段专家策展流程从源头堵住测试质量和数据泄漏两大漏洞。
Runta 创始人戴冠兰（前 Cloudflare/Kong 核心）在十字路口播客中提出核心判断：模型能力爬坡已放缓，真正制约 Agent 落地的是执行层基础设施。Runta 刚完成 2000 万美元种子轮（a16z 领投，Jeff Dean、李飞飞天使），定位是为 Agent 打造确定性执行底座——在概率性大模型之上加入隔离、权限、审计和热迁移等系统能力，让企业敢于把生产权限交给智能体。文章梳理了 Token Maximizing 到 Minimizing 的反转、Agent 安全必然爆发的逻辑、以及公有云和基模厂商为何难以抢占这一赛道。
Agent 部署后会积累大量失败轨迹，但它的行为通常固定不变——模型不更新，Harness（运行时框架）也不更新。Harness-R1 首次把’编辑可执行运行时’本身变成一个可被在线 RL 训练的能力：一个 9B 的’harness 工程师’模型从失败批次中生成可执行补丁，用冻结目标 Agent 重跑的真实成功率作为奖励。结果这个 9B 工程师反超 GLM-5.2、GPT-5.5、DeepSeek-V4-Pro 等所有更大的前沿模型编辑器；即便目标 Agent 微调后，工程师仍能再 +5.0pp。本文从’把脚手架变成可学习对象’的第一性原理，解释为什么小模型+真实结果奖励能赢过大模型+教师提议。
长程任务（long-horizon）是 Agent 走向真实世界的最后一块硬骨头。LongHorizon-Harness 把’执行-状态管理-完成评估’从一个不断增长的上下文里拆开，重构为 Manage-Execute-Audit（MEA）循环：Manager 只管状态不碰环境、Executor 每轮用新鲜上下文执行、Auditor 只读独立验证。这套架构让 Qwen 3.7-Plus 在 WeaveBench 上从 51.8% 跃升到 80.7%（近乎翻倍官方 SOTA），OSWorld 2.0 上把 Claude Opus 4.7 从 20.0% 提到 34.3%。本文从’状态-执行-审计’分离的第一性原理出发，解释为什么这套架构在难任务上收益更大、在更强模型上 token 反而更省。
腾讯发布多领域编码 Agent 基准 WorkBuddy Bench，覆盖代码、前端、办公、安全四大真实工作场景。其核心贡献在于从真实 commit/CVE/业务场景逆向工程出抗污染的口语化任务，并将任务目录、环境镜像、评估框架、测试与参考方案完全开源。跨模型排行榜显示没有任何单一模型通吃，开源权重模型 GLM-5.2 在安全子集双框架登顶，为可信代码评测体系的构建提供了新的方法论范式。
Meta AI提出主动记忆智能体架构，用独立的’记忆教练’智能体在固定间隔审查行动智能体的近期步骤，更新结构化记忆库（私有状态/知识记忆/程序记忆），并决定是否注入定向提醒。核心创新在于’何时提醒’的策略决策——选择性干预优于全量检索。Terminal-Bench从38%提升至46%，tau2-Bench从55%提升至62%，超越Mem0生产记忆层。