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。
AutoSaddler（Microsoft × POSTECH × KAIST × 南方科技大学）把 Agent harness（提示词/工具/中间件）的优化形式化为离线 mini-batch 学习问题：深度诊断 Agent 读执行轨迹定位根因、生成结构化 patch（Prompt/Tool/Middleware 三类九子型）、Reflection 提炼经验存入 EvoDAG 进化图、泛化感知选择防过拟合。GAIA2 +9.0pp、SWE-Bench Pro +9.6pp、Terminal-Bench 2.0 +10.0pp 全面超越人工与自动基线，且学习轨迹只需最强基线的 1/10。
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。
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。
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。
Task-CoEvolve（东京大学）把 harness 优化中被忽视的’评估侧’变成优化变量：每次迭代在哪些验证任务上评估候选 harness？方差加权采样把预算集中到’候选结果会分歧’的判别性任务上（>70% 的任务池处于全对/全错两个极端、毫无判别力且分布随优化漂移），配 Horvitz-Thompson 式包含概率校正消除子集偏差。结果：20% 评估预算匹配全量搜索（49.3% vs 48.6%），Terminal-Bench 2.1 上 token 评估成本直降 80%，7% 预算用 1/16 样本逼近全量。
EnvHarness 把 agent harness 的思路搬到环境侧：不改一行底层代码，只在 reset/step 标准接口外包裹可插拔组件（Stage 改初始态、Contract 重写交互、Chain 串联环境），把静态人工环境改造成针对目标策略弱点的定制训练场，且 100% 继承原环境可信 verifier。配套 EnvRigger 自动化闭环从 rollout 诊断策略缺陷、写组件、用新鲜 rollout 验证。五个基准四领域全面超越原始环境与领域专用生成管线：held-out 最高提升 9.0 分、步数省 9.8%，并支撑 RL 共同进化。
FACET 由中国科学技术大学、上海人工智能实验室与复旦大学联合提出，直面从异构 agent 技能合成可验证终端任务的两大难题：多阶段生成中源信息被过早压缩、以及指令/环境/参考解/验证器四件套各自为政导致的跨工件不一致。其三阶段框架先收 71,341 个技能建场景-技能库，再以五维表示代理式重建场景以恢复跨技能依赖与中间状态，最后先构建并修复 Docker 环境，把实现容器态作为三者共享接地，并按失败溯源定向修复。最终产出 6,078 个验证任务，平均 22.77 项可执行测试居各数据集之首；仅用 1.2K 轨迹做 SFT，Qwen3.5-4B/9B/27B 在 Terminal-Bench 2.1 分别提升 7.12/8.24/6.75 分，27B 距大它约 15 倍的 397B 模型仅 1.49 分。
美的AIRC、KUKA、上海交大与浙大合作的SemaPLC提出验证门控的agent harness：生成逻辑必须嵌入既有工业PLC项目、通过编译，并在真实运行时与金轨迹比对正确才算完成。凭借仅日志确认的检查可判定完成、编辑使旧判定失效、每检查限两次重试三条完成纪律，它在117任务功能轨上七模型全部夺魁（均值72.6%），在65任务项目轨上动态行为分达52.2，远超基线的22.4~31.4。层消融揭示：静态分相近的方法在运行时剧烈分层——执行才是检验控制逻辑的忠实标尺。