深度解读 SkillZip（arXiv 2608.05604）：一个执行感知的程序性抽象框架，通过节级图表示、MotifZip 契约保持压缩、PathHydrate 预算内水合和 ReZip 增量维护四大组件，在 ALFWorld 上提升 12.2 分、SkillsBench 上提升 6.2 分，同时实现 3.46× 压缩比、99.2% 依赖保持和 98.7% 验证器可达性，并在 100K 技能库上保持 248.3ms 延迟的稳定检索。
深度精读 arXiv:2608.12036——浙江大学 ZJUNLP 提出的 Mechanist 是一个用 AI 研究AI的自主智能体系统。它构建了约13000篇可解释性论文的知识图谱、整合4300万篇跨26学科论文库、沉淀32种机制分析方法，形成「假设生成→因果干预→验证循环」的闭环。在复现16篇论文的可靠性评估中，比 Claude Code 高出9-13%、比 AI Scientist 高出31-38%。更重磅的是，它自主发现了跨模态安全风险转移（不安全响应率从20.3%飙升至48.6%）、提出了完整的信念机制理论，并成功将机制洞察转化为DNA序列引导生成（α-螺旋含量从43.8%提升至56.6%）。这是一篇关于「让AI成为研究AI的科学仪器」的里程碑式工作。
OpenART 是评估 Agent 在演化环境中安全性的大规模红队测试 Arena：覆盖 10,000+ 验证场景、50 个领域、500,000+ 工具/MCP/Skills，通过 15 个真实部署的 Agent × 5 个基础模型 = 75 个配置展开评测。其参考策略 EMHA（Evolutionary Markov Hypergraph Attack）以超图遍历、授权状态转移、档案引导演化为核心，在不更新任何参数的前提下取得 85.0% 的池化 Strict ASR。本文系统拆解其问题定义、EMHA 技术细节、8 个攻击向量、消融实验与三类反复出现的漏洞模式，并提炼出对 Agent 安全研究的可迁移方法论。
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。