今日推送

论文解读论文研究Self-Evolving Agent如何基于环境反馈优化自身的harness（提示词、技能、工具和执行逻辑）。核心创新在于解决两大挑战：信用分配失败（终端成功/失败反馈难以定位错误步骤）和捷径学习（记忆任务特定模式而非泛化）。实验表明，通过从参考轨迹中学习，Agent能更可靠地完成自进化，在多个基准任务上取得显著提升。

论文解读论文针对Long-Horizon Agent的追踪问题：人类观察者和Agent自身的上下文都有界限，轨迹会不断增长超越消费者容量。提出Live Trace Model这一append-only事件账本，增量折叠为类型化运行状态并编译为面向消费者的视图。实验验证了该模型对人和Agent两个消费者都有效，为长时程任务提供了可解释性保障。

论文解读论文研究LLM编码Agent如何将高层需求转化为完整可用的软件系统。核心创新是Harness-of-Harness（HoH）框架，在现有编码Agent harness上运作，实现持续改进。框架允许Agent在多天自主开发过程中迭代优化，平衡功能性与可用性。实验表明该框架能显著提升代码质量和开发效率。

论文解读论文聚焦动态Agent Harness带来的新挑战：本地插件变更会通过依赖传播并影响清理工作。创建了包含1200道题目的CordisBench基准，测试生命周期推理能力。基准结合了形式化设置与实际程序执行，对标Cordis运行时。实验揭示当前LLM在复杂依赖关系推理上的局限性，为Harness设计提供评估依据。

论文解读论文针对长时程Agent的上下文管理问题：运行时需决定提示词内容、顺序，以及在有限上下文窗口下的历史压缩策略。指出生产系统的上下文逻辑分散且缺乏统一设计。提出ContextPipe，借鉴数据库查询优化思想，实现上下文组装。框架提供了更高效的上下文管理和缓存策略，提升了长任务处理能力。

论文解读论文针对生产环境Agent harness（如Claude Code）在rollout时压缩上下文导致的训练问题。指出压缩训练创造了树形学习目标而非序列，现有线性化方法存在时间旅行泄漏或训练分布偏移缺陷。提出MemoryWalker，通过改进历史建模方式解决条件化问题。实验表明该方法能有效提升Agent在压缩环境下的性能。

论文解读论文研究递归LLM-Agent在生成专业分支时的权限控制问题。区分了沙箱生成（外部控制防止伤害）和能力激活（分支跨越不可逆操作边界）。提出渐进式风险授权（PRV）机制，根据分支行为动态调整权限级别。安全分析表明该机制能有效控制递归Agent的不可逆操作风险，同时保持搜索灵活性。

论文解读论文挑战了长时程任务中仅outcome-only RL会触及性能天花板的共识。指出此前工作通过密集奖励、SFT先验、技能库等外部补偿掩盖了问题本身。论证在适当条件下，纯结果奖励对小型开源模型已足够。实验在多种长时程交互任务上验证了方法有效性，为训练范式提供了新思路。

论文解读论文探讨Agent能力如何依赖外部执行基础设施（harness），以及模型是否能在固定权重下开发自身harness。研究表明改变harness会显著影响任务性能，但现有评估仅报告下游性能。提出HarnessDev框架，系统研究LLM的harness演进能力。实验揭示了当前模型在这一方向上的潜力与局限。

论文解读论文针对LLM Agent失败中多个相关错误难以归因的问题。现有方法仅定位责任Agent或步骤，未显式建模错误间依赖关系。提出Error Dependency Graphguided（EDGE）框架，从观测错误构建依赖图并指导归因。实验表明该方法能准确识别多错误场景中的根本原因，为多Agent系统调试提供有效工具。